[论文解读] Deep Quantitative Susceptibility Mapping for Background Field Removal and Total Field Inversion

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|May 28, 2019

Advanced MRI Techniques and Applications参考文献 38被引用 3

一句话总结

本文提出 QSMAllNet，一种深度学习框架，可从单对比度临床 SWI 数据中联合执行背景场去除和总场反演，以实现定量磁 susceptibility 成像（QSM）。该模型基于源自体内 QSM 扫描的物理合成数据进行训练，相比最先进方法，实现了更高的精度和更低的伪影，无需额外扫描即可实现鲁棒、高分辨率的 QSM 重建，仅依赖标准临床扫描协议。

ABSTRACT

Quantitative susceptibility mapping (QSM) utilizes MRI signal phase to estimate local tissue susceptibility, which has been shown useful to provide novel image contrast and as biomarkers of abnormal tissue. QSM requires addressing a challenging post-processing problem: filtering of image phase estimates and inversion of the phase to susceptibility relationship. A wide variety of quantification errors, robustness limitations, and artifacts constraints QSM clinical translation. To overcome these limitations, a robust deep-learning-based QSM reconstruction approach is proposed to perform background field removal and susceptibility inversion simultaneously from input MRI phase images. Synthetic training data based on in-vivo data sources and physics simulations were used for training. The network was quantitatively tested using gold-standard in-silico labeled dataset against established background field removal and QSM inversion approaches. In addition, the algorithm was applied to a QSM challenge data and clinical susceptibility-weighted imaging (SWI) data. When quantitatively compared against gold-standard in-silico labels, the proposed algorithm outperformed the existing comparable background field removal approaches and QSM reconstruction algorithms. The QSM challenge data and clinical SWI data demonstrated that the proposed approach was able to robustly generate high quality local field and QSM with improved accuracy.

研究动机与目标

• 为解决现有 QSM 重建方法的局限性，包括参数调优困难、计算时间长以及在组织磁 susceptibility 变化较大的区域存在残留伪影。
• 通过利用体内 QSM 数据集和物理磁 susceptibility 到磁场模型，生成合成训练数据，以克服 QSM 缺乏真实标签训练数据的问题。
• 开发一个单一、端到端的深度学习模型，同时执行背景场去除和磁 susceptibility 反演，减少顺序处理带来的误差传播。
• 实现直接从常规采集的临床 SWI 数据中进行高质量、无伪影的 QSM 重建，无需额外扫描或多角度采集。
• 通过提升图像质量和定量精度，尤其是在出血灶和钙化等病灶区域附近，增强 QSM 在临床环境中的诊断实用性。

提出的方法

• 模型在 200 个体内 QSM 数据集生成的合成数据集上进行训练，使用基于物理的前向模型将组织磁 susceptibility 映射为局部磁场。
• 采用类似 U-Net 的卷积神经网络架构，引入空洞卷积以扩大感受野，从而捕捉非局部磁 susceptibility 效应。
• 网络端到端地从原始相位图像预测局部磁场图和磁 susceptibility 图，共享同一潜在空间以实现联合优化。
• 训练目标是最小化合成数据中预测结果与真实标签之间局部磁场图和磁 susceptibility 图的 L2 损失。
• 模型利用单一网络同时完成背景场去除和磁 susceptibility 反演，避免了使用独立网络或顺序处理的需要。
• 架构设计注重内存效率和计算轻量化，可在临床数据上实现快速推理。

实验结果

研究问题

• RQ1 在合成数据上训练的深度学习模型是否能在背景场去除和 QSM 反演方面优于现有两步法和单步法？
• RQ2 与传统 QSM 重建技术相比，所提出的端到端网络在减少伪影（如条纹伪影和阴影伪影）方面效果如何？
• RQ3 该模型能否泛化到具有非各向同性分辨率和复杂病灶（如颅内出血和钙化）的临床 SWI 数据？
• RQ4 背景场去除与磁 susceptibility 反演的联合优化是否能消除分步处理带来的误差传播？
• RQ5 该模型能否仅基于标准临床 SWI 序列生成高质量 QSM 图像，而无需额外扫描或多角度数据？

主要发现

• 在金标准的仿真标注数据集上，QSMAllNet 在定量指标上优于现有背景场去除和 QSM 重建方法，表现为更低的平均绝对误差和与真实值更高的相关性。
• 在临床 SWI 数据中，QSMAllNet 生成的 QSM 图像具有更高的图像锐度、更清晰的组织结构，且在出血区域附近无可见条纹或阴影伪影，而 SS-TV-QSM、PDF+MEDI、RESHARP+TKD 和 LN-QSM 均存在此类问题。
• 该方法成功去除了残留背景场，并在磁 susceptibility 变化较大的区域（如微出血和钙化附近）消除了阴影伪影，经视觉和定量评估均得到证实。
• 与 RESHARP+TKD 和 PDF+MEDI 等两步法相比，QSMAllNet 通过在单一网络中联合执行两步操作，实现了更高的精度并减少了误差传播。
• 该模型在非各向同性临床 SWI 数据上表现出稳健性能，无需特殊扫描协议即可生成具有诊断价值的 QSM 图像。
• 空洞卷积的使用有效实现了非局部磁 susceptibility 估计，有助于提升伪影抑制效果并更好地保留解剖结构特征。