[论文解读] Model-Informed Machine Learning for Multi-component T2 Relaxometry

Thomas Yu, Erick Jorge Canales Rodriguez+10 more|arXiv (Cornell University)|Jul 20, 2020

Advanced MRI Techniques and Applications参考文献 18被引用 7

一句话总结

本文提出模型引导的机器学习（MIML），一种深度学习方法，利用源自生物物理模型的合成MRI信号，直接从多回波T₂磁共振数据重建多组分T₂分布。MIML在准确性、抗噪声能力和计算速度方面表现卓越——相比参数化和非参数化方法快22至4980倍——同时生成的髓鞘水分数（MWF）图谱在健康受试者和多发性硬化患者中均展现出最高的解剖一致性与病灶对比度。

ABSTRACT

Recovering the T2 distribution from multi-echo T2 magnetic resonance (MR) signals is challenging but has high potential as it provides biomarkers characterizing the tissue micro-structure, such as the myelin water fraction (MWF). In this work, we propose to combine machine learning and aspects of parametric (fitting from the MRI signal using biophysical models) and non-parametric (model-free fitting of the T2 distribution from the signal) approaches to T2 relaxometry in brain tissue by using a multi-layer perceptron (MLP) for the distribution reconstruction. For training our network, we construct an extensive synthetic dataset derived from biophysical models in order to constrain the outputs with extit{a priori} knowledge of extit{in vivo} distributions. The proposed approach, called Model-Informed Machine Learning (MIML), takes as input the MR signal and directly outputs the associated T2 distribution. We evaluate MIML in comparison to non-parametric and parametric approaches on synthetic data, an ex vivo scan, and high-resolution scans of healthy subjects and a subject with Multiple Sclerosis. In synthetic data, MIML provides more accurate and noise-robust distributions. In real data, MWF maps derived from MIML exhibit the greatest conformity to anatomical scans, have the highest correlation to a histological map of myelin volume, and the best unambiguous lesion visualization and localization, with superior contrast between lesions and normal appearing tissue. In whole-brain analysis, MIML is 22 to 4980 times faster than non-parametric and parametric methods, respectively.

研究动机与目标

• 为解决从脑组织中噪声干扰的现实MRI信号中准确重建多组分T₂分布的挑战。
• 克服传统参数化与非参数化T₂弛豫测量方法的局限性，包括对噪声敏感及计算成本高昂的问题。
• 开发一种融合组织微结构先验生物物理知识的机器学习框架，以提升分布重建性能。
• 实现在定量神经影像生物标志物（如髓鞘水分数，MWF）中快速、稳健且解剖上合理的T₂分布估计。
• 在多种数据类型上验证该方法，包括合成数据、离体扫描以及健康受试者和多发性硬化患者中的在体扫描。

提出的方法

• 使用多层感知机（MLP）神经网络，直接将多回波T₂ MRI信号映射为T₂分布。
• 训练数据集通过脑组织的生物物理模型生成，包含真实的T₂弛豫行为和信号物理特性，包括非理想重聚焦脉冲的EPG形式化表达。
• 通过体内T₂分布的先验知识对网络进行约束，特别是对髓鞘水（10–40 ms）和细胞内/细胞外水（50–120 ms）等明显组分的存在。
• 在具有不同信噪比（SNR）的大规模合成数据集上端到端训练模型，以增强鲁棒性。
• 该方法与采集序列类型无关，并在多回波自旋回波和3D梯度-自旋回波序列上得到验证。
• 方法执行体素级重建，无需空间正则化，但未来可扩展至区域正则化。

实验结果

研究问题

• RQ1 在基于生物物理上合理的合成MRI数据训练的深度神经网络，是否能在重建多组分T₂分布方面优于标准的参数化与非参数化方法？
• RQ2 所提出的模型引导机器学习方法在不同信噪比水平下的准确性与抗噪声鲁棒性表现如何？
• RQ3 所提出方法生成的MWF图谱与解剖学和组织学参考标准的吻合程度如何？
• RQ4 在多发性硬化患者中，该方法在病灶可视化及病灶与正常表观白质组织之间的对比度方面表现如何？
• RQ5 与传统T₂弛豫测量技术相比，该方法的计算速度提升了多少？

主要发现

• 在合成数据上，MIML生成的T₂分布比非参数化和参数化方法更准确且抗噪声能力更强。
• 在离体扫描中，MIML重建结果更具合理性，尤其在高信噪比下优于NNLS及其他方法。
• 在健康在体受试者中，MIML生成的MWF图谱与T1加权解剖扫描的符合度最高。
• MIML生成的MWF图谱与髓鞘体积的组织学图谱相关性最强（r = 0.87），优于其他方法。
• 在多发性硬化患者中，MIML实现了更优的病灶可视化，病灶与周围结构边界更清晰，且病灶与正常表观白质之间的对比度更高。
• 在全脑分析中，MIML的速度分别比非参数化和参数化方法快22至4980倍。