[论文解读] QSMGAN: Improved Quantitative Susceptibility Mapping using 3D Generative Adversarial Networks with Increased Receptive Field

Yicheng Chen, Angela Jakary+3 more|arXiv (Cornell University)|May 8, 2019

Advanced MRI Techniques and Applications参考文献 43被引用 9

一句话总结

QSMGAN 提出一种基于 3D U-Net 的生成对抗网络，通过使用中心裁剪的大尺寸输入块来扩大感受野，以提升从单方向相位数据中生成定量磁敏感谱图（QSM）的性能。通过采用 WGAN-GP 训练策略，该方法在推理速度更快、对病理和预处理伪影更具鲁棒性的同时，实现了接近 COSMOS 的精度，优于传统偶极子反演方法（如 TKD、MEDI 和 iLSQR）。

ABSTRACT

Quantitative susceptibility mapping (QSM) is a powerful MRI technique that has shown great potential in quantifying tissue susceptibility in numerous neurological disorders. However, the intrinsic ill-posed dipole inversion problem greatly affects the accuracy of the susceptibility map. We propose QSMGAN: a 3D deep convolutional neural network approach based on a 3D U-Net architecture with increased receptive field of the input phase compared to the output and further refined the network using the WGAN with gradient penalty training strategy. Our method generates accurate QSM maps from single orientation phase maps efficiently and performs significantly better than traditional non-learning-based dipole inversion algorithms. The generalization capability was verified by applying the algorithm to an unseen pathology--brain tumor patients with radiation-induced cerebral microbleeds.

研究动机与目标

• 为解决 QSM 中偶极子反演问题的不适定性，该问题在临床和研究应用中限制了精度和可重复性。
• 开发一种基于深度学习的方法，仅使用单方向相位数据即可生成高保真 QSM 图像，无需多方向头部扫描。
• 在保持计算效率的同时，提升对未见病理（如放疗诱导的脑微出血）的泛化能力和鲁棒性。
• 减少基于图像块的深度学习方法在 QSM 中常见的条纹伪影和边缘不连续性。
• 利用 WGAN-GP 的对抗训练策略，稳定训练过程，提升图像真实感和定量精度。

提出的方法

• 生成器采用 3D U-Net 架构，输入相位块大小为 64³，输出块大小为 48³，通过中心裁剪实现更大的有效感受野。
• 网络采用带梯度惩罚的 WGAN（WGAN-GP）进行训练，以提升训练稳定性并生成更真实的磁敏感图。
• 判别器（评论家）被训练以区分真实 COSMOS 衍生的 QSM 块与生成的 QSM 块，从而引导生成器输出高保真结果。
• 该方法处理去背景场的单方向相位数据，并通过重叠块的基于图像块推理重建完整的 3D 磁敏感图。
• 训练数据仅包含健康志愿者扫描，但模型在未见患者数据（包括脑微出血患者）上仍具有泛化能力。
• 推理阶段计算效率高，仅需通过 3D U-Net 进行一次前向传播，无需判别器参与。

实验结果

研究问题

• RQ1 具有扩展感受野的 3D 深度学习模型是否能提升从单方向相位数据中重建 QSM 的精度？
• RQ2 与标准 GAN 或非对抗性网络相比，引入 WGAN-GP 框架是否能增强 QSM 图像的训练稳定性和真实感？
• RQ3 仅在健康脑数据上训练的模型是否能泛化到存在病理磁敏感源（如脑微出血）的患者？
• RQ4 输入和输出块大小的选择如何影响 QSM 重建的质量和计算成本？
• RQ5 该模型在基于图像块的深度学习方法中，对常见于 QSM 的边缘不连续性和条纹伪影的抑制程度如何？

主要发现

• 与 TKD、MEDI 和 iLSQR 等传统方法相比，QSMGAN 在磁敏感量化方面显著降低了误差，图像质量更优，伪影更少。
• 该方法成功恢复了此前未见的病理——放疗诱导的脑微出血，生成的磁敏感值与金标准 iLSQR 结果一致。
• 64³ → 48³ 的块配置在感受野与计算成本之间实现了最佳平衡，优于更小（32³ → 32³）和更大（96³ → 32³）的配置。
• 尽管仅在健康数据上进行训练，QSMGAN 对预处理缺陷表现出鲁棒性，有效抑制了背景相位成分和异常磁敏感源。
• WGAN-GP 训练策略稳定了对抗训练过程，相比非对抗性基线方法，生成的 QSM 图像更具真实感和更高精度。
• 训练后推理效率极高，仅需通过 3D U-Net 进行一次前向传播，即可实现快速重建，无额外推理开销。