[论文解读] Deep learning brain conductivity mapping using a patch-based 3D U-net

Nils Hampe, Ulrich Katscher+3 more|arXiv (Cornell University)|Aug 12, 2019

Electrical and Bioimpedance Tomography参考文献 21被引用 4

一句话总结

本研究提出一种基于图像块的3D U-Net深度学习模型，利用电磁属性断层扫描（EPT）从B1传输相位数据重建定量脑电导率图。该网络在添加高斯噪声的模拟数据上进行训练，生成了高质量的重建结果，但在应用于在体数据时出现了伪影；然而，通过使用常规EPT生成的电导率标签对在体相位数据进行微调后，伪影显著减少，表明模型对真实世界采集噪声和系统性差异的鲁棒性得到提升。

ABSTRACT

Purpose: To investigate deep learning electrical properties tomography (EPT) for application on different simulated and in-vivo datasets including pathologies for obtaining quantitative brain conductivity maps. Methods: 3D patch-based convolutional neural networks were trained to predict conductivity maps from B1 transceive phase data. To compare the performance of DLEPT networks on different datasets, three datasets were used throughout this work, one from simulations and two from in-vivo measurements from healthy volunteers and cancer patients, respectively. At first, networks trained on simulations are tested on all datasets with different levels of homogeneous Gaussian noise introduced in training and testing. Secondly, to investigate potential robustness towards systematical differences between simulated and measured phase maps, in-vivo data with conductivity labels from conventional EPT is used for training. Results: High quality of reconstructions from networks trained on simulations with and without noise confirms the potential of deep learning for EPT. However, artifact encumbered results in this work uncover challenges in application of DLEPT to in-vivo data. Training DLEPT networks on conductivity labels from conventional EPT improves quality of results. This is argued to be caused by robustness to artifacts from image acquisition. Conclusions: Networks trained on simulations with added homogeneous Gaussian noise yield reconstruction artifacts when applied to in-vivo data. Training with realistic phase data and conductivity labels from conventional EPT allows for severely reducing these artifacts.

研究动机与目标

• 评估基于深度学习的EPT（DLEPT）在包括模拟数据和在体扫描在内的多种数据集上生成定量脑电导率图的能力。
• 评估在模拟数据上训练的DLEPT网络在应用于具有固有伪影和噪声的真实在体数据时的鲁棒性。
• 探究在体相位数据上进行训练，使用常规EPT生成的真实电导率标签，是否能提升重建质量和伪影减少效果。
• 比较在模拟数据与真实在体数据上训练的DLEPT模型在健康与病理性脑组织中的性能表现。
• 确定噪声以及模拟与测量相位图之间系统性差异对DLEPT重建保真度的影响。

提出的方法

• 采用基于图像块的3D U-Net架构，从B1传输相位数据预测电导率图，实现局部空间建模并高效处理体素MRI数据。
• 网络首先在不同水平高斯噪声的模拟数据集上进行训练，以评估泛化能力和鲁棒性。
• 随后，使用健康志愿者和癌症患者的在体相位数据对模型进行微调，配对使用常规EPT生成的电导率标签。
• 应用数据增强和归一化技术，以确保来自模拟数据和真实扫描的多样化输入分布之间的一致性。
• 通过均方误差和结构相似性指数（SSIM）等定量指标，在不同数据集上评估性能。
• 模型利用跳跃连接和3D卷积，以保持空间分辨率并捕捉3D脑组织结构中的分层特征。

实验结果

研究问题

• RQ1 在模拟EPT数据上训练的深度学习模型是否能在不显著降低重建质量的前提下泛化到在体脑数据？
• RQ2 在体数据中的伪影如何影响仅在模拟数据上训练的DLEPT网络的性能？
• RQ3 在体相位数据上使用常规EPT生成的电导率标签对DLEPT模型进行微调，是否能提升重建精度并减少伪影？
• RQ4 在真实相位数据上进行训练在多大程度上缓解了模拟与测量B1相位图之间系统性差异的影响？
• RQ5 在训练过程中添加高斯噪声，如何影响DLEPT模型在真实在体数据集上部署时的鲁棒性？

主要发现

• 在添加高斯噪声的模拟数据上训练的网络在模拟数据上生成了高质量的电导率重建结果，但在应用于在体数据集时表现出显著伪影。
• 仅在模拟数据上训练的模型在在体数据上的重建保真度降低，表明由于模拟与真实相位图之间存在差异，导致泛化能力差。
• 在体相位数据上使用常规EPT生成的电导率标签对DLEPT模型进行微调，显著减少了伪影并提升了重建质量。
• 微调后性能的提升可归因于对真实世界采集伪影和系统性相位图失真的更强鲁棒性。
• 结果表明，在真实在体数据上进行训练对于临床神经影像学中可靠应用DLEPT至关重要。
• 本研究证实，模拟数据与在体数据之间的数据域偏移是DLEPT面临的主要挑战，且必须进行领域特定的微调才能实现临床可行性。