[논문 리뷰] SSL-QALAS: Self-Supervised Learning for Rapid Multiparameter Estimation in Quantitative MRI Using 3D-QALAS

Yohan Jun, Jaejin Cho외 5명|arXiv (Cornell University)|2023. 02. 28.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 3D-QALAS MRI 데이터로부터 다중 매개변수 T1, T2, 프로톤 밀도(PD), 그리고 역전 효율성(IE) 지도를 사전 사전 없이 빠르게 추정하기 위한 자기지도 학습 방법인 SSL-QALAS를 제안한다. 사전에 학습된 신경망을 개인별 데이터에 맞추어 미세조정함으로써, 추론 시에는 10초 이내, 스캔별 적응 시에는 15분 이내에 빠른 복원을 달성하며, 레이블이 있는 학습 데이터나 외부 사전이 필요 없이도 전통적인 사전 기반 방법의 정확성과 동등한 성능을 달성한다.

ABSTRACT

Purpose: To develop and evaluate a method for rapid estimation of multiparametric T1, T2, proton density (PD), and inversion efficiency (IE) maps from 3D-quantification using an interleaved Look-Locker acquisition sequence with T2 preparation pulse (3D-QALAS) measurements using self-supervised learning (SSL) without the need for an external dictionary. Methods: A SSL-based QALAS mapping method (SSL-QALAS) was developed for rapid and dictionary-free estimation of multiparametric maps from 3D-QALAS measurements. The accuracy of the reconstructed quantitative maps using dictionary matching and SSL-QALAS was evaluated by comparing the estimated T1 and T2 values with those obtained from the reference methods on an ISMRM/NIST phantom. The SSL-QALAS and the dictionary matching methods were also compared in vivo, and generalizability was evaluated by comparing the scan-specific, pre-trained, and transfer learning models. Results: Phantom experiments showed that both the dictionary matching and SSL-QALAS methods produced T1 and T2 estimates that had a strong linear agreement with the reference values in the ISMRM/NIST phantom. Further, SSL-QALAS showed similar performance with dictionary matching in reconstructing the T1, T2, PD, and IE maps on in vivo data. Rapid reconstruction of multiparametric maps was enabled by inferring the data using a pre-trained SSL-QALAS model within 10 s. Fast scan-specific tuning was also demonstrated by fine-tuning the pre-trained model with the target subject's data within 15 min. Conclusion: The proposed SSL-QALAS method enabled rapid reconstruction of multiparametric maps from 3D-QALAS measurements without an external dictionary or labeled ground-truth training data.

연구 동기 및 목표

• 외부 사전이나 레이블이 있는 진정한 기준 데이터에 의존하지 않고 3D-QALAS 데이터로부터 다중 매개변수 양적 MRI 매개변수(T1, T2, PD, IE)를 추정하기 위한 빠르고 종단 간 전처리 방법을 개발하는 것.
• 자기지도 학습을 통해 추론 시간을 단축하여 임상 및 연구 적용에 필요한 시간을 줄이는 것.
• 사전 학습, 스캔별 적응, 전이 학습 설정을 포함한 다양한 주제와 스캔 조건에서 SSL-QALAS의 일반화 능력과 성능을 평가하는 것.
• 자기지도 학습이 사전 매칭의 정확성과 유사한 성능을 달성할 수 있으며, 시간이 오래 걸리는 사전 생성 및 검색 과정이 필요 없음을 입증하는 것.

제안 방법

• 대규모 3D-QALAS 데이터 세트를 기반으로 자기지도 학습 프레임워크를 학습하여 원시 k-space 또는 시노그램 데이터에서 양적 매개변수 지도로의 기본 맵핑을 학습한다.
• 입력 데이터의 잠재 표현에 대한 대조 손실 목표를 최소화함으로써 양적 지도를 재구성할 수 있도록 하는 깊이 신경망 아키텍처를 사용한다.
• 소수의 목표 스캔을 사용하여 개인별 데이터에 대해 사전 학습된 SSL 모델을 미세조정함으로써, 15분 이내에 새로운 환자에 대한 빠른 적응이 가능하다.
• 진정한 기준 매개변수 지도가 전혀 필요 없으며, 데이터 분포의 일관성과 데이터 증강에서 유도된 자기지도 신호에만 의존한다.
• 사전 학습된 모델을 사용한 추론(10초 미만)과 개선된 개인별 정확도를 위한 빠른 미세조정을 모두 지원한다.
• 정확도와 일반화 능력을 평가하기 위해 고체 모형 데이터(ISMRM/NIST)와 생체 내 인간 뇌 스캔을 모두 사용하여 평가한다.

실험 결과

연구 질문

• RQ1 자기지도 학습이 레이블이 있는 학습 데이터가 없이도 사전 기반 방법과 유사한 정확도를 달성할 수 있는가?
• RQ2 SSL-QALAS는 기존의 사전 매칭 방법에 비해 얼마나 빠르게 양적 지도를 복원하는가?
• RQ3 사전 학습, 스캔별 적응, 전이 학습 설정을 사용했을 때 SSL-QALAS의 성능은 어떠한가?
• RQ4 SSL-QALAS는 재학습 없이도 다양한 환자와 스캔 프로토콜 간에 일반화할 수 있는가?
• RQ5 임상 환경에서 SSL-QALAS의 추론 속도는 기존의 사전 기반 복원 방식과 비교해 어떻게 되는가?

주요 결과

• 고체 모형 실험에서 SSL-QALAS는 T1 및 T2에 대해 기준 값과 강한 선형 일치를 보였으며, 상관계수는 사전 매칭 방식과 유사했다.
• 생체 내 데이터에서 SSL-QALAS는 사전 매칭 방식으로 확보한 것과 유사한 시각적 및 정량적 결과를 T1, T2, PD, IE 지도로 생성했다.
• 사전 학습된 SSL-QALAS 모델을 사용한 추론은 10초 이내에 완료되었으며, 사전 기반 복원보다 훨씬 빠르게 수행되었다.
• 개인별 데이터에 대해 사전 학습된 모델을 미세조정함으로써 정확도가 향상되었으며, 이 과정은 15분 이내에 완료되었다.
• 전이 학습 또는 스캔별 적응을 사용했을 때도 성능 저하가 없이 안정적인 일반화 능력을 보였다.
• SSL-QALAS는 외부 사전과 레이블이 있는 진정한 기준 데이터가 필요 없이 종단 간 전처리가 가능하며, 빠르고 자동화된 양적 MRI 매핑을 실현했다.