[论文解读] Learning-based Single-step Quantitative Susceptibility Mapping Reconstruction Without Brain Extraction

Hongjiang Wei, Steven Cao+5 more|arXiv (Cornell University)|May 15, 2019

Advanced MRI Techniques and Applications参考文献 54被引用 7

一句话总结

该论文提出 autoQSM，一种基于深度学习的单步定量磁 susceptibility 成像（QSM）方法，可绕过脑组织提取和背景相位去除步骤。通过在 209 名受试者生成的两步 QSM 图像上训练改进的 U-Net，autoQSM 能够生成高保真度的磁 susceptibility 图像，准确恢复脑边界附近（包括表层静脉和脊髓束）的皮层与皮层下结构，即使在分布外数据（如小鼠脑和病变人类脑）上也表现良好。

ABSTRACT

Quantitative susceptibility mapping (QSM) estimates the underlying tissue magnetic susceptibility from MRI gradient-echo phase signal and typically requires several processing steps. These steps involve phase unwrapping, brain volume extraction, background phase removal and solving an ill-posed inverse problem. The resulting susceptibility map is known to suffer from inaccuracy near the edges of the brain tissues, in part due to imperfect brain extraction, edge erosion of the brain tissue and the lack of phase measurement outside the brain. This inaccuracy has thus hindered the application of QSM for measuring the susceptibility of tissues near the brain edges, e.g., quantifying cortical layers and generating superficial venography. To address these challenges, we propose a learning-based QSM reconstruction method that directly estimates the magnetic susceptibility from total phase images without the need for brain extraction and background phase removal, referred to as autoQSM. The neural network has a modified U-net structure and is trained using QSM maps computed by a two-step QSM method. 209 healthy subjects with ages ranging from 11 to 82 years were employed for patch-wise network training. The network was validated on data dissimilar to the training data, e.g. in vivo mouse brain data and brains with lesions, which suggests that the network has generalized and learned the underlying mathematical relationship between magnetic field perturbation and magnetic susceptibility. AutoQSM was able to recover magnetic susceptibility of anatomical structures near the edges of the brain including the veins covering the cortical surface, spinal cord and nerve tracts near the mouse brain boundaries. The advantages of high-quality maps, no need for brain volume extraction and high reconstruction speed demonstrate its potential for future applications.

研究动机与目标

• 解决传统 QSM 在脑组织边缘区域因脑组织提取不完善和边缘侵蚀导致的不准确性问题。
• 消除 QSM 重建过程中对人工或算法化脑体积提取及背景相位去除的需求。
• 通过学习从总相位到磁 susceptibility 图像的直接映射，提升重建质量和速度。
• 实现脑表面附近解剖结构（如皮层层和表层静脉）的精确磁 susceptibility 成像。
• 使方法在无需微调的情况下泛化至多种数据类型，包括在体小鼠脑和病理人类脑。

提出的方法

• 提出一种改进的 U-Net 神经网络架构，用于学习从总相位图像到磁 susceptibility 图像的直接映射。
• 使用传统两步 QSM 方法生成的 QSM 图像作为真实标签进行网络训练。
• 在 209 名健康人类受试者（年龄 11–82 岁）的 T2*-加权梯度回波 MRI 数据上采用分块训练策略。
• 端到端训练网络，以预测磁 susceptibility，无需相位解缠或背景场去除。
• 利用网络的归纳偏置隐式建模 QSM 重建中病态的逆问题。
• 直接将训练好的模型应用于新数据（包括在体小鼠脑和病变人类脑扫描），无需微调。

实验结果

研究问题

• RQ1 深度学习模型是否能在保持或提升准确性的前提下，绕过传统 QSM 预处理步骤（如脑组织提取和背景相位去除）？
• RQ2 单阶段基于学习的方法在泛化至分布外数据（如小鼠脑和病理人类脑）方面的能力如何？
• RQ3 该模型是否能准确恢复脑表面附近的磁 susceptibility 值，包括传统方法失效的皮层静脉和脊髓束？
• RQ4 与传统两步 QSM 方法相比，端到端学习方法在重建质量和速度方面的表现如何？
• RQ5 即使未显式建模物理规律，网络是否仍能学习到磁场扰动与组织磁 susceptibility 之间的潜在物理关系？

主要发现

• autoQSM 有效恢复了覆盖皮层表面的表层静脉的磁 susceptibility，这些结构在传统 QSM 中通常被模糊化或丢失。
• 该方法无需脑组织提取即可生成高质量的磁 susceptibility 图像，消除了因分割不完善导致的边缘伪影。
• autoQSM 在在体小鼠脑数据上泛化良好，能够准确生成脑边界附近脊髓和神经束的磁 susceptibility 图像。
• 该模型在人类病变脑组织上也表现出可靠结果，证明其对病理组织改变具有鲁棒性。
• 由于采用单步推理，网络实现了高速重建，适用于临床和科研应用。
• 学习到的映射关系准确捕捉了磁场扰动与磁 susceptibility 之间的物理关联，表现为对组织边界附近微小解剖结构的精确恢复。