[论文解读] Deep learning-based prediction of kinetic parameters from myocardial perfusion MRI

Cian M. Scannell, Piet van den Bosch+4 more|arXiv (Cornell University)|Jul 27, 2019

Advanced MRI Techniques and Applications参考文献 5被引用 4

一句话总结

本研究提出一种基于3D卷积神经网络的深度学习模型，用于从动态对比增强磁共振成像（DCE-MRI）数据中预测心肌血流（MBF），避免了计算成本高昂的贝叶斯推断。该模型实现了4%的平均体素误差，处理时间从每切片28分钟减少至2秒，同时保持与临床报告相当的诊断准确性。

ABSTRACT

The quantification of myocardial perfusion MRI has the potential to provide a fast, automated and user-independent assessment of myocardial ischaemia. However, due to the relatively high noise level and low temporal resolution of the acquired data and the complexity of the tracer-kinetic models, the model fitting can yield unreliable parameter estimates. A solution to this problem is the use of Bayesian inference which can incorporate prior knowledge and improve the reliability of the parameter estimation. This, however, uses Markov chain Monte Carlo sampling to approximate the posterior distribution of the kinetic parameters which is extremely time intensive. This work proposes training convolutional networks to directly predict the kinetic parameters from the signal-intensity curves that are trained using estimates obtained from the Bayesian inference. This allows fast estimation of the kinetic parameters with a similar performance to the Bayesian inference.

研究动机与目标

• 开发一种快速、自动化的DCE-MRI心肌灌注参数估计方法，无需依赖耗时的贝叶斯推断。
• 解决贝叶斯参数估计中追踪动力学建模的马尔可夫链蒙特卡洛（MCMC）采样带来的高计算成本问题。
• 构建一种深度学习模型，直接从动脉输入函数（AIF）和组织时间曲线中预测MBF，利用邻近体素的空间上下文信息。
• 在显著缩短处理时间的同时，保持与临床解读相当的诊断准确性。
• 探究模型是否能隐式学习动脉曲线与组织曲线之间的时间延迟，从而减少对显式延迟建模的依赖。

提出的方法

• 采用双分支3D卷积神经网络，分别处理动脉输入函数（AIF）和心肌组织曲线的3×3邻域作为独立输入流。
• 每个分支使用卷积层和最大池化层，并结合ReLU激活函数，从时间序列曲线中提取特征。
• 将两个分支的特征表示拼接后，通过全连接层回归输出MBF值。
• 使用均方误差（MSE）损失函数，结合Adam优化算法，并在九名患者的27,893个体素上采用早停策略进行训练。
• 通过组织曲线的3×3邻域实现空间正则化，以促进生成平滑的MBF图。
• 训练目标为通过MCMC采样进行贝叶斯推断计算的MBF值，确保高保真度的监督信号。

实验结果

研究问题

• RQ1 深度学习模型能否在不显式使用追踪动力学模型的情况下，准确预测DCE-MRI数据中的MBF？
• RQ2 深度学习方法在基于MBF图的诊断准确性是否与临床解读相当？
• RQ3 该模型在无需合成数据微调的情况下，能否在真实患者数据上实现泛化？
• RQ4 该模型是否能隐式学习AIF与组织曲线之间的时间延迟，从而减少对显式延迟估计的需求？
• RQ5 该模型能否将处理时间从数分钟缩短至数秒，同时保持准确性？

主要发现

• 模型在预测MBF值与目标MBF值之间达到0.096 mL/min/mL的均方误差（标准差为0.081），对应平均体素误差为4%。
• 处理时间从贝叶斯推断的28分钟缩短至每切片2秒，实现99%的速度提升。
• 仅基于MBF图的诊断准确性与所有切片的临床报告完全一致，证实了其临床相关性。
• 由于卷积层的归纳偏差，模型对AIF与组织曲线之间的时间延迟具有不变性，从而消除了对显式延迟估计的需求。
• 在模拟数据上训练并未提升性能，而对患者数据进行微调也未带来优于仅使用真实数据训练的优势。
• 与贝叶斯推断相比，该模型生成的MBF图更加平滑，表明可能存在因空间正则化或模型容量有限导致的过度平滑现象。