[论文解读] Deep learning-based parameter mapping for joint relaxation and diffusion tensor MR Fingerprinting

Carolin M. Pirkl, Pedro A. Gómez+14 more|arXiv (Cornell University)|May 5, 2020

Advanced Neuroimaging Techniques and Applications参考文献 9被引用 11

一句话总结

本文提出了一种基于深度学习的方法，可在单次高度欠采样的磁共振指纹成像（MRF）扫描中联合量化T1、T2弛豫及扩散张量参数。通过采用沿三个方向均施加扩散编码梯度的3D螺旋MRF序列，并结合U-Net卷积神经网络，该方法避开了计算量巨大的字典匹配过程，实现了准确且对伪影不敏感的参数图，其结果与临床参考标准高度一致，包括在多发性硬化病变中亦表现良好。

ABSTRACT

Magnetic Resonance Fingerprinting (MRF) enables the simultaneous quantification of multiple properties of biological tissues. It relies on a pseudo-random acquisition and the matching of acquired signal evolutions to a precomputed dictionary. However, the dictionary is not scalable to higher-parametric spaces, limiting MRF to the simultaneous mapping of only a small number of parameters (proton density, T1 and T2 in general). Inspired by diffusion-weighted SSFP imaging, we present a proof-of-concept of a novel MRF sequence with embedded diffusion-encoding gradients along all three axes to efficiently encode orientational diffusion and T1 and T2 relaxation. We take advantage of a convolutional neural network (CNN) to reconstruct multiple quantitative maps from this single, highly undersampled acquisition. We bypass expensive dictionary matching by learning the implicit physical relationships between the spatiotemporal MRF data and the T1, T2 and diffusion tensor parameters. The predicted parameter maps and the derived scalar diffusion metrics agree well with state-of-the-art reference protocols. Orientational diffusion information is captured as seen from the estimated primary diffusion directions. In addition to this, the joint acquisition and reconstruction framework proves capable of preserving tissue abnormalities in multiple sclerosis lesions.

研究动机与目标

• 实现单次磁共振指纹成像扫描中T1、T2弛豫及完整扩散张量参数的同步定量映射。
• 克服传统字典基MRF在高维参数空间中，特别是扩散张量量化时的可扩展性限制。
• 通过利用深度学习直接从欠采样、含伪影的数据中重建，降低MRF对运动伪影和图像损伤的敏感性。
• 在联合参数映射过程中保留多发性硬化病变中的组织异常，确保诊断相关性。
• 展示一种无需依赖详尽字典计算的可扩展、端到端深度学习框架在多参数MRF中的可行性。

提出的方法

• 设计了一种3D螺旋MRF序列，沿三个空间轴施加扩散编码梯度，以同时编码T1、T2及方向性扩散信息。
• 该方法采用基于U-Net的卷积神经网络（CNN），直接从时空MRF信号数据回归出多个定量参数图（T1、T2、扩散张量）。
• CNN被训练以学习欠采样、含伪影的MRF信号演化与潜在组织参数之间的隐式物理关系，从而绕过显式字典匹配。
• 该框架采用单极性扩散编码梯度以最小化涡流引起的模糊，并采用螺旋k空间轨迹以减少扫描时间并降低对EPI畸变的敏感性。
• 模型在模拟数据和体内数据上进行训练，结合数据增强与正则化技术，以提升对运动和图像伪影的鲁棒性。
• 该方法可实现从单次采集中联合重建标量扩散指标（如部分各向异性、平均扩散率）及方向性扩散信息。

实验结果

研究问题

• RQ1 单次高度加速的MRF采集是否能通过3D扩散编码梯度同时编码T1、T2及完整扩散张量信息？
• RQ2 深度学习模型是否能有效从欠采样、含伪影的MRF数据中重建出准确的T1、T2及扩散张量图，而无需字典匹配？
• RQ3 预测的参数图及推导出的标量扩散指标与现有临床参考协议相比表现如何？
• RQ4 在运动和欠采样伪影条件下，该方法在多发性硬化病变中对组织异常的保留程度如何？
• RQ5 在多个MRF重复中整合扩散编码梯度对扩散张量估计的保真度有何影响？

主要发现

• 所提出的基于CNN的重建方法在T1、T2及标量扩散指标（如部分各向异性、平均扩散率）方面与临床参考协议高度一致。
• 该方法成功捕捉了方向性扩散信息，表现为在白质区域对主要扩散方向的准确估计。
• 该框架对图像伪影表现出鲁棒性，包括螺旋欠采样和搏动引起的伪影，并有效缓解了多发性硬化患者中的运动相关损伤。
• 尽管多发性硬化患者存在严重头部运动，该模型仍成功保留了病灶中的组织异常，表明其具有诊断相关性。
• 联合采集与重建框架在高欠采样和运动条件下仍能保持图像质量和参数准确性。
• 该方法通过绕过字典规模指数增长的难题，实现了可扩展的MRF，为未来扩展至更多定量对比度铺平了道路。