[论文解读] Meta-QSM: An Image-Resolution-Arbitrary Network for QSM Reconstruction

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|Aug 1, 2019

Advanced MRI Techniques and Applications参考文献 18被引用 5

一句话总结

Meta-QSM 提出了一种单一的深度学习模型，通过元预测的卷积核权重，在任意图像分辨率下重建定量磁 susceptibility 成像（QSM）。通过将滤波器权重条件化于输入分辨率，该方法消除了对每种分辨率重新训练的需求，在合成数据和临床数据上均实现了最先进性能，显著抑制了伪影并保留了微结构。

ABSTRACT

Quantitative Susceptibility Mapping (QSM) can estimate the underlying tissue magnetic susceptibility and reveal pathology. Current deep-learning-based approaches to solve the QSM inverse problem are restricted on fixed image resolution. They trained a specific model for each image resolution which is inefficient in computing. In this work, we proposed a novel method called Meta-QSM to firstly solve QSM reconstruction of arbitrary image resolution with a single model. In Meta-QSM, weight prediction was used to predict the weights of kernels by taking the image resolution as input. The proposed method was evaluated on synthetic data and clinical data with comparison to existing QSM reconstruction methods. The experimental results showed the Meta-QSM can effectively reconstruct susceptibility maps with different image resolution using one neural network training.

研究动机与目标

• 解决当前基于深度学习的 QSM 方法在不同图像分辨率下需要分别训练模型的低效问题。
• 开发一种统一的神经网络，能够在不重新训练的情况下，对任意输入分辨率进行 QSM 重建。
• 通过消除存储或重新训练多个特定分辨率模型的需求，提升临床实用性。
• 通过保留细微组织微结构并抑制条纹伪影，提升重建质量。

提出的方法

• 基于 3D U-Net 的编码器-解码器网络采用权重预测卷积层（WP-Conv），其根据输入图像分辨率动态生成滤波器权重。
• WP-Conv 层由全连接子网络和激活子网络组成，分别为每种分辨率输入预测卷积核权重和偏置。
• 模型在 COSMOS QSM 数据集生成的合成数据上进行训练，使用数据增强技术，包括弹性形变、几何形状和对比度变化。
• 图像分辨率被显式编码为权重预测网络的输入，以实现分辨率的泛化能力。
• 损失函数采用预测值与真实值之间 susceptibility 图像的 L1 损失，并对 WP-Conv 层施加 L2 正则化。
• 训练采用 RMSprop 优化器并配合学习率衰减策略，使用 30,000 个合成数据样本，按 9:1 比例划分为训练集和验证集。

实验结果

研究问题

• RQ1 一个单一的深度学习模型是否能够在不重新训练的情况下，实现对任意图像分辨率的 QSM 重建？
• RQ2 与固定分辨率模型相比，元学习的权重预测在不同分辨率间泛化能力方面有何提升？
• RQ3 Meta-QSM 在临床 QSM 数据中对条纹伪影的抑制程度以及对微结构的保留程度如何？
• RQ4 Meta-QSM 在定量和定性方面与传统及最先进 QSM 重建方法相比表现如何？
• RQ5 使用包含病理特征（如出血、钙化）的合成数据是否能提升模型在真实临床病例中的表现？

主要发现

• 在合成数据上，Meta-QSM 的 RMSE（1.11±3.77）、HFEN（16.75±3.84）最低，SSIM（0.960±0.013）最高，优于 TKD、iLSQR 和 MEDI。
• 在 0.76×0.76×3.0 mm³ 分辨率下，Meta-QSM 的 SSIM（0.984±0.007）更高，RMSE（18.87±2.00）更低，优于 Mesa-QSM（25.34±1.74）。
• 在 0.5×0.5×2.0 mm³ 分辨率下，Mesa-QSM 在 RMSE 上略优于 Meta-QSM（25.13±1.75 vs. 28.33±1.70），可能由于训练数据分布不匹配所致。
• 在 3T 研究及临床 SWI 数据上的定性评估显示，Meta-QSM 有效抑制了条纹伪影，并在出血和钙化区域显著保留了微结构。
• 与 TKD、iLSQR 和 MEDI 相比，Meta-QSM 生成的 QSM 图像在复杂临床病例中表现出更低的模糊化和阴影伪影，图像质量更优。
• 该模型在多种临床场景下表现出稳健性能，包括脑卒中后、神经纤维瘤病及术前规划病例，始终具备一致的伪影抑制能力和结构保真度。