[论文解读] Model-based Synthetic Data-driven Learning (MOST-DL): Application in Single-shot T2 Mapping with Severe Head Motion Using Overlapping-echo Acquisition

Qinqin Yang, Yanhong Lin+13 more|arXiv (Cornell University)|Jul 30, 2021

Advanced MRI Techniques and Applications被引用 8

一句话总结

本文提出MOST-DL，一种基于模型的合成数据驱动学习框架，结合布洛赫方程模拟与MRI物理模型，生成用于训练深度学习网络的逼真合成MRI数据。该框架通过集成无校准并行重建与单次采集内运动校正，实现了在严重头动条件下的运动鲁棒性单次采集T2映射，显著减少了在体人类脑部扫描中的伪影与鬼影现象。

ABSTRACT

Use of synthetic data has provided a potential solution for addressing unavailable or insufficient training samples in deep learning-based magnetic resonance imaging (MRI). However, the challenge brought by domain gap between synthetic and real data is usually encountered, especially under complex experimental conditions. In this study, by combining Bloch simulation and general MRI models, we propose a framework for addressing the lack of training data in supervised learning scenarios, termed MOST-DL. A challenging application is demonstrated to verify the proposed framework and achieve motion-robust T2 mapping using single-shot overlapping-echo acquisition. We decompose the process into two main steps: (1) calibrationless parallel reconstruction for ultra-fast pulse sequence and (2) intra-shot motion correction for T2 mapping. To bridge the domain gap, realistic textures from a public database and various imperfection simulations were explored. The neural network was first trained with pure synthetic data and then evaluated with in vivo human brain. Both simulation and in vivo experiments show that the MOST-DL method significantly reduces ghosting and motion artifacts in T2 maps in the presence of unpredictable subject movement and has the potential to be applied to motion-prone patients in the clinic.

研究动机与目标

• 解决基于深度学习的MRI重建中真实训练数据不足或不可用的问题。
• 克服在复杂、临床相关条件下（如严重头动）合成数据与真实MRI数据之间的领域差距。
• 在不可预测的受试者运动条件下，实现单次重叠回波MRI序列中的鲁棒T2映射。
• 开发一种将基于物理的建模与深度学习相结合的框架，以提升模型的泛化能力与临床适用性。

提出的方法

• 利用布洛赫方程模拟与通用MRI系统模型的组合，生成合成MRI数据，以在真实采集条件下模拟k空间数据。
• 从公开的MRI数据库中引入真实的组织纹理，以增强合成数据的解剖学保真度。
• 模拟常见的扫描仪缺陷，如梯度延迟、失谐效应和噪声，以提升数据的领域真实感。
• 在纯合成数据上端到端训练深度神经网络，无需真实训练配对数据。
• 实施两阶段流程：(1) 无校准并行成像重建，实现超快速采集；(2) 单次采集内运动校正，用于T2映射。
• 利用合成数据学习运动不变特征，从而在扫描过程中对不可预测的头动保持鲁棒性。

实验结果

研究问题

• RQ1 在存在严重头动的情况下，基于模型的合成数据生成框架是否能有效弥合合成数据与真实MRI数据之间的领域差距？
• RQ2 在运动污染条件下，仅在合成数据上训练的深度学习模型，在T2映射任务中能否达到与真实数据训练模型相当的性能？
• RQ3 所提出的MOST-DL框架在减少单次重叠回波T2映射中的鬼影与运动伪影方面效果如何？
• RQ4 该框架是否可应用于涉及易动患者群体的临床相关场景，且无需真实训练数据？
• RQ5 真实组织纹理与扫描仪缺陷模拟在提升训练网络泛化能力方面起到了何种作用？

主要发现

• MOST-DL框架在单次采集过程中即使面对严重且不可预测的头动，也能显著减少T2图中的鬼影与运动伪影。
• 在体人类脑部扫描结果表明，仅在合成数据上训练的模型可生成与真实数据训练基线相当的诊断级T2图。
• 布洛赫模拟、真实组织纹理与缺陷建模的结合，显著缩小了合成数据与真实数据之间的领域差距。
• 该方法无需额外校准扫描或真实训练数据，即可实现运动鲁棒性T2映射，从而提升了临床可行性。
• 仿真与在体实验结果证实，尽管存在运动引起的相位与信号不一致，该框架仍能保持T2定量的高精度。
• 该框架可推广至易动患者群体，表明其在常规MRI协议中具有强大的临床部署潜力。