[论文解读] Accurate super-resolution low-field brain MRI

Juan Eugenio Iglesias, Riana Schleicher+8 more|arXiv (Cornell University)|Feb 7, 2022

Advanced MRI Techniques and Applications被引用 4

一句话总结

本文提出一种基于深度学习的超分辨率（SR）方法，用于将低场（LF）脑部MRI扫描提升至1 mm各向同性分辨率，从而实现高质量的分割。通过利用配对的LF-MRI与高场（HF）MPRAGE样扫描，该方法与金标准HF测量结果具有强相关性（r > 0.84），显著提升了便携式、低成本MRI系统的诊断潜力。

ABSTRACT

The recent introduction of portable, low-field MRI (LF-MRI) into the clinical setting has the potential to transform neuroimaging. However, LF-MRI is limited by lower resolution and signal-to-noise ratio, leading to incomplete characterization of brain regions. To address this challenge, recent advances in machine learning facilitate the synthesis of higher resolution images derived from one or multiple lower resolution scans. Here, we report the extension of a machine learning super-resolution (SR) algorithm to synthesize 1 mm isotropic MPRAGE-like scans from LF-MRI T1-weighted and T2-weighted sequences. Our initial results on a paired dataset of LF and high-field (HF, 1.5T-3T) clinical scans show that: (i) application of available automated segmentation tools directly to LF-MRI images falters; but (ii) segmentation tools succeed when applied to SR images with high correlation to gold standard measurements from HF-MRI (e.g., r = 0.85 for hippocampal volume, r = 0.84 for the thalamus, r = 0.92 for the whole cerebrum). This work demonstrates proof-of-principle post-processing image enhancement from lower resolution LF-MRI sequences. These results lay the foundation for future work to enhance the detection of normal and abnormal image findings at LF and ultimately improve the diagnostic performance of LF-MRI. Our tools are publicly available on FreeSurfer (surfer.nmr.mgh.harvard.edu/).

研究动机与目标

• 为解决低场（LF）MRI中分辨率有限和信噪比低的问题，这些问题会阻碍对脑结构的准确表征。
• 开发一种基于机器学习的超分辨率（SR）框架，从低场T1加权和T2加权序列合成高分辨率MPRAGE样图像。
• 评估SR增强后的LF-MRI图像是否能够支持与高场MRI相当的准确自动分割。
• 通过后处理增强提升图像质量与诊断价值，实现LF-MRI的临床部署。

提出的方法

• 训练深度神经网络，将低分辨率、低场T1加权和T2加权MRI扫描映射为合成的1 mm各向同性MPRAGE样图像。
• 利用低场（1.0T及以下）与对应高场（HF，1.5T–3T）扫描的配对数据集进行监督学习。
• SR网络优化以保留解剖细节和信号强度一致性，模拟高场MPRAGE序列的对比特性。
• 使用标准神经解剖分割流程（如FreeSurfer）在原始LF-MRI和SR增强图像上进行评估。
• 通过SR图像分割体积与金标准HF-MRI测量值之间的皮尔逊相关系数（Pearson r）评估性能。
• 训练好的模型已通过FreeSurfer平台公开发布，以支持社区使用与可复现性。

实验结果

研究问题

• RQ1 超分辨率深度学习能否有效提升低场MRI，实现诊断级分辨率？
• RQ2 SR增强后的LF-MRI图像的分割结果与金标准高场MRI测量值的相关性如何？
• RQ3 当应用于SR增强的低场MRI而非原始低场扫描时，自动分割工具能否实现可靠性能？
• RQ4 该SR方法在保留海马体、丘脑及全大脑等关键神经解剖结构方面表现如何？

主要发现

• 直接使用标准工具对LF-MRI扫描进行分割表现不佳，因分辨率低和噪声大导致性能差。
• SR处理后，分割精度显著提升，海马体体积的相关系数达到r = 0.85，与高场MRI结果高度一致。
• SR图像测得的丘脑体积与高场参考值的相关系数高达r = 0.84。
• 全大脑分割的相关系数最强，达到r = 0.92，表明大尺度解剖结构得到良好保留。
• 超分辨率方法成功从低场T1加权和T2加权序列合成出1 mm各向同性MPRAGE样图像。
• 所提出的SR框架已通过FreeSurfer平台公开发布，支持更广泛地应用于临床与科研。