[論文レビュー] Quantitative Susceptibility Inversion Through Parcellated Multiresolution Neural Networks and K-Space Substitution

Juan Liu, Andrew S. Nencka+4 more|arXiv (Cornell University)|Mar 8, 2019

Advanced MRI Techniques and Applications参考文献 42被引用数 6

ひとこと要約

本稿では、パラセレートドマルチリゾリューションエンコーダーデコーダーネットワークとk空間置換を用いた、深層学習に基づくQSM再構成手法ASPENを提案する。画像品質と処理速度の両方を向上させ、ゴールドスタンダードおよび大規模コhortデータセットにおいて、最新の手法と同等の定量的精度を達成しつつ、ほぼリアルタイムの感受率マッピングを実現した。

ABSTRACT

Purpose: Quantitative Susceptibility Mapping (QSM) reconstruction is a challenging inverse problem driven by poor conditioning of the field to susceptibility transformation. State-of-art QSM reconstruction methods either suffer from image artifacts or long computation times, which limits QSM clinical translation efforts. To overcome these limitations, a deep-learning-based approach is proposed and demonstrated. Methods: An encoder-decoder neural network was trained to infer susceptibility maps on volume parcellated regions. The training data consisted of fabricated susceptibility distributions modeled to mimic the spatial frequency patterns of in-vivo brain susceptibility distributions. Inferred volume parcels were recombined to form composite QSM. This approach is denoted as ASPEN, standing for Approximated Susceptibility through Parcellated Encoder-decoder Networks. ASPEN performance was evaluated relative to several well-established approaches on a gold-standard challenge dataset and on cohort of 200 study subjects. Results: ASPEN provided similar levels of quantitative accuracy compared to the evaluated established approaches on the gold standard ISMRM Challenge dataset, but qualitatively showed marked reductions in streaking artifacts and map blurring. On the large-cohort dataset, ASPEN achieved the highest score compared with other methods in a multi-rater evaluation of streaking artifacts and map resolution. Conclusion: The proposed ASPEN approach can robustly infer susceptibility maps in near real-time on routine computational hardware. This preliminary study establishes ASPEN's parity with existing approaches for quantitative accuracy on a well-curated gold standard dataset and further demonstrates its robustness to streaking artifacts across a large cohort of subjects.

研究の動機と目的

• 臨床応用においてストレーキングアーチファクトやぼやけを引き起こすQSM逆問題の不適切な定式化に対処する。
• 解像度を低下させるか手動チューニングを要する伝統的な正則化およびしきい値処理手法の限界を克服する。
• ゴールドスタンダードのCOSMOSやSTIデータに依存せずに、さまざまな解像度および臨床状況に一般化可能なディープラーニングフレームワークを構築する。
• 標準的なハードウェア上でもほぼリアルタイムのQSM再構成を可能にし、臨床応用を促進する。
• 高感受率領域（例：出血巣）や境界効果に起因するアーチファクトを、強力なニューラルネットワーク学習とk空間置換により最小限に抑える。

提案手法

• 空間調和解析を用いて生成した合成感受率マップを用いて、体内脳感受率周波数パターンを模倣するエンコーダーデコーダーニューラルネットワークを学習した。
• 脳を空間的に分離された領域にパラセレートし、重複するパッチ（192×192×64および128×128×128）を用いたマルチリゾリューション推論を実施した。
• 予測されたフィールドのk空間を測定済みk空間データに置き換えるk空間置換を適用し、複雑なセグメンテーションを要せず高忠実度を実現した。
• フィルタリングなしの直接的k空間置換を採用し、TKDしきい値0.2に一致させることで、置換領域のサイズや手法に依存する依存性を低減した。
• 重複領域の平均化を用いて、パラセレート領域からの推定感受率マップを合成QSMマップに再結合した。
• ダイポールカーネルに基づくフォワードモデルを用いてネットワークを学習し、データ整合性と計算効率を確保した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのQSM手法は、確立された手法と同等の定量的精度を達成しつつ、ストレーキングアーチファクトを低減できるか？
• RQ2 全体ボリュームネットワークと比較して、パラセレートドマルチリゾリューション推論はQSM再構成におけるロバストネスと解像度をどのように向上させるか？
• RQ3 複雑なセグメンテーションやフィルタリングを要せず、k空間置換はQSMマップ品質をどの程度向上させるか？
• RQ4 シミュレートデータで学習したネットワークは、多様な被験者および画像取得プロトコルにわたって、実臨床データに効果的に一般化できるか？
• RQ5 本手法は、大規模データセットにおいて、既存のディープラーニングおよび反復的QSM技術と比較して、定量的精度と定性的なアーチファクト低減の両面で優れているか？

主な発見

• ASPENは、ISMRM QSMチャレンジのゴールドスタンダードデータセットにおいて、確立された手法と同等の定量的精度を達成したが、グローバルまたはローカル指標で顕著な向上は認めなかった。
• 200名の被験者コhortにおいて、ASPENは他の手法と比較してストレーキングアーチファクトの低減とマップ解像度の向上について、複数の評価者によるスコアが最高であった。
• 本手法は、通常の計算ハードウェア上でも数秒で感受率マップを生成でき、ほぼリアルタイムの臨床応用が可能となった。
• ASPENは、出血巣などの高感受率領域に対してもロバストであり、手動操作なしに画像品質を維持した。
• k空間置換プロトコルは、直接的でフィルタリングなしの置換でも効果的であり、置換領域のサイズや手法にほとんど感受性を示さなかった。
• チャレンジデータセットでは定量的性能が強く、CFL2などの手法は評価では最悪のスコアを記録したが、これは定量的指標と臨床的有用性の間の乖離を示唆している。