[论文解读] Gadolinium dose reduction for brain MRI using conditional deep learning

Thomas Pinetz, Erich Kobler+8 more|arXiv (Cornell University)|Mar 6, 2024

Medical Imaging Techniques and ApplicationsMedicine被引用 3

一句话总结

本文提出了一种条件深度学习框架，通过从低剂量减影图像中学习增强对比信号，实现脑部MRI中钆基对比剂（GBCA）剂量的降低，同时通过在无噪声的标准剂量减影目标上进行训练，避免了伪影的产生。该方法在定量和定性评估中均优于最先进方法，显著提升了病灶可见度，并能生成对比度超越标准剂量的合成图像。

ABSTRACT

Recently, deep learning (DL)-based methods have been proposed for the computational reduction of gadolinium-based contrast agents (GBCAs) to mitigate adverse side effects while preserving diagnostic value. Currently, the two main challenges for these approaches are the accurate prediction of contrast enhancement and the synthesis of realistic images. In this work, we address both challenges by utilizing the contrast signal encoded in the subtraction images of pre-contrast and post-contrast image pairs. To avoid the synthesis of any noise or artifacts and solely focus on contrast signal extraction and enhancement from low-dose subtraction images, we train our DL model using noise-free standard-dose subtraction images as targets. As a result, our model predicts the contrast enhancement signal only; thereby enabling synthesization of images beyond the standard dose. Furthermore, we adapt the embedding idea of recent diffusion-based models to condition our model on physical parameters affecting the contrast enhancement behavior. We demonstrate the effectiveness of our approach on synthetic and real datasets using various scanners, field strengths, and contrast agents.

研究动机与目标

• 为解决临床上在脑部MRI中降低钆基对比剂（GBCA）剂量的同时保持诊断准确性的挑战。
• 克服现有深度学习方法在合成完整图像时可能引入伪影或虚构病灶的局限性。
• 通过专注于减影图像，将对比信号增强与图像合成解耦，从而提高真实感和诊断保真度。
• 通过将深度学习模型与场强、剂量和 relaxivity 等物理采集参数进行条件化，提升模型的泛化能力和准确性。
• 通过将预测的对比信号添加到低剂量图像中，实现对比度强于标准剂量图像的对比增强图像生成。

提出的方法

• 该方法使用增强前和低剂量对比增强MRI对计算减影图像，将对比信号与噪声分离。
• 通过最小化与从标准剂量扫描中提取的无噪声目标减影图像之间的偏差，训练一个条件卷积神经网络（CNN）以预测标准剂量的对比信号。
• 通过将统计模型应用于标准剂量减影图像，抑制噪声同时保留真实的对比增强信号，从而获得目标对比信号。
• 通过学习的嵌入向量将模型与物理参数（如场强、剂量、relaxivity）进行条件化，从而在多种采集设置下实现准确预测。
• 在推理阶段，将预测的对比信号添加到增强前或低剂量图像中，分别生成标准剂量或超增强图像。
• 该方法通过仅关注对比信号预测而非完整图像合成，避免了生成性伪影。

Figure 1: Visualization of our dose reduction and contrast enhancement DL approach. The inference process is illustrated at the top using solid arrows, while the additional processing steps for training are shown at the bottom. In both cases, pairs of pre-contrast $\mathbf{x}_{\mathrm{PC}}$ and cont

实验结果

研究问题

• RQ1 深度学习模型能否在不产生伪影的情况下，有效从低剂量减影图像中提取并增强真实的对比信号？
• RQ2 将模型与场强、剂量和 relaxivity 等物理采集参数进行条件化，是否能提升对比信号预测的准确性和泛化能力？
• RQ3 预测的对比信号是否可用于生成对比度超越标准剂量的图像，从而提升病灶可见度？
• RQ4 在合成和真实低剂量数据上，该模型在定量指标（PSNR、对比度增强）和定性图像质量方面与最先进方法相比表现如何？
• RQ5 该模型的嵌入向量在多大程度上反映了MRI采集的底层物理参数？

主要发现

• 在合成（SLD-METS）和真实低剂量（RLD）数据集上，该方法在脑区和病灶区域均取得了最高的PSNR分数，且与基线方法相比具有统计学显著性提升。
• 在RLD数据集上，该方法在病灶区域的PSNR上显著优于竞争对手，表明其对真实世界采集变异性具有鲁棒性。
• 该方法生成的图像相对对比度增强超过标准剂量水平，如表3中列出的平均值和最大值对比度增强得分所证实。
• 通过主成分分析（PCA）和t-SNE进行的嵌入分析表明，模型的潜在空间编码了物理参数：场强和剂量呈现线性趋势，而relaxivity和噪声水平则形成独立聚类。
• 定性评估显示，即使在PSNR并非最高的情况下，该方法也比竞争方法更好地保留了病灶细节，表明其诊断相关性更优。
• 使用无噪声的标准剂量减影图像作为目标，实现了无伪影的对比信号预测，避免了生成图像合成中常见的幻觉问题。

Figure 2: Illustration of the preprocessing steps for extracting the initial low-dose subtraction image $\tilde{\mathbf{z}}_{\mathrm{LD}}$ from the pre-contrast $\mathbf{x}_{\mathrm{PC}}$ and low-dose $\mathbf{x}_{\mathrm{LD}}$ image. The top images in the steps show the transformed low-dose image w