[论文解读] A Tool for Super-Resolving Multimodal Clinical MRI

Mikael Brudfors, Yaël Balbastre+2 more|arXiv (Cornell University)|Sep 3, 2019

Generative Adversarial Networks and Image Synthesis参考文献 49被引用 4

一句话总结

本文提出了一种数据无关的、基于模型的超分辨率工具，用于多模态临床MRI，通过使用具有多通道总变差正则化的生成模型，从低分辨率、厚层扫描中重建出高分辨率各向同性图像。该方法在模拟和真实临床数据上均优于传统技术，且无需训练或手动调参。

ABSTRACT

We present a tool for resolution recovery in multimodal clinical magnetic resonance imaging (MRI). Such images exhibit great variability, both biological and instrumental. This variability makes automated processing with neuroimaging analysis software very challenging. This leaves intelligence extractable only from large-scale analyses of clinical data untapped, and impedes the introduction of automated predictive systems in clinical care. The tool presented in this paper enables such processing, via inference in a generative model of thick-sliced, multi-contrast MR scans. All model parameters are estimated from the observed data, without the need for manual tuning. The model-driven nature of the approach means that no type of training is needed for applicability to the diversity of MR contrasts present in a clinical context. We show on simulated data that the proposed approach outperforms conventional model-based techniques, and on a large hospital dataset of multimodal MRIs that the tool can successfully super-resolve very thick-sliced images. The implementation is available from https://github.com/brudfors/spm_superres.

研究动机与目标

• 解决在具有厚层和多样化对比度的临床MRI扫描中进行自动化神经影像分析的挑战。
• 开发一种数据无关的方法，无需为新的扫描对比度或分辨率因子重新训练。
• 通过融合多个人体MR对比度的信息，实现高保真度的临床MRI超分辨率。
• 克服基于插值的上采样方法引入伪影并影响下游分析的局限性。
• 为利用现有、具有人群代表性的MRI数据进行大规模临床研究，提供一种稳健且可推广的工具。

提出的方法

• 该方法采用生成模型，通过联合后验概率公式，从低分辨率（LR）多模态MRI扫描中推断出高分辨率（HR）图像。
• 利用多通道总变差（MTV）正则化，以利用不同MRI对比度之间的梯度信息，增强边缘保持能力。
• 前向模型包含层片轮廓和层间间隙参数，为简化起见假设为固定值，但亦讨论了估计这些参数的扩展方法。
• 一个关键组成部分是使用ADMM算法求解由TV先验引起的非光滑优化问题。
• 该模型假设观测到的LR数据服从高斯似然分布，并通过重加权最小二乘法引入非平稳惩罚，以提高收敛性和鲁棒性。
• 该框架允许对HR图像进行合理地边缘化处理，且可扩展为使用变分贝叶斯或多元高斯混合模型，实现联合分割与重建。

实验结果

研究问题

• RQ1 基于模型的超分辨率方法是否能有效实现从厚层、多模态临床MRI扫描中重建出高分辨率各向同性MRI，而无需训练？
• RQ2 与传统插值法和基于模型的技术相比，所提出方法在图像质量和伪影抑制方面表现如何？
• RQ3 与单通道正则化相比，多通道总变差在多大程度上提升了重建保真度？
• RQ4 该方法是否能在不重新训练的情况下，泛化于多种临床MRI对比度和扫描参数？
• RQ5 引入跨对比度梯度信息在多大程度上可减少平坦组织区域的阶梯状伪影？

主要发现

• 在模拟数据上，所提出方法优于传统基于模型的超分辨率技术，尤其在结构细节保持和伪影减少方面表现更优。
• 在大规模真实临床数据集上，该工具成功实现了对极厚层扫描MRI的超分辨率重建，生成的图像质量足以支持下游自动化分析。
• 采用多通道总变差显著减少了阶梯状效应，因为某一对比度的梯度可补偿另一对比度中平坦的梯度。
• 该方法对层片轮廓和层间间隙的变化具有鲁棒性，但当这些参数被准确已知或估计时性能更优。
• 由于无需训练，该工具在不同临床MRI协议和扫描设备类型之间具有高度可泛化性。
• 该实现已公开发布于GitHub，支持可复现性，并可集成至临床和研究工作流中。