[论文解读] MoDL-QSM: Model-based Deep Learning for Quantitative Susceptibility Mapping

Ruimin Feng, Jiayi Zhao+9 more|arXiv (Cornell University)|Jan 21, 2021

Advanced MRI Techniques and Applications参考文献 18被引用 4

一句话总结

MoDL-QSM 提出了一种基于模型的深度学习框架，将磁 susceptibility 张量成像（STI）物理模型与卷积神经网络相结合，以提高定量磁 susceptibility 成像（QSM）的准确性。通过利用 STI 衍生的相位分量（ki13, ki23, ki33）作为训练标签，该方法减少了条纹伪影，并在 RMSE、SSIM 和 HFEN 指标验证下，优于当前最先进的深度学习 QSM 方法。

ABSTRACT

Quantitative susceptibility mapping (QSM) has demonstrated great potential in quantifying tissue susceptibility in various brain diseases. However, the intrinsic ill-posed inverse problem relating the tissue phase to the underlying susceptibility distribution affects the accuracy for quantifying tissue susceptibility. Recently, deep learning has shown promising results to improve accuracy by reducing the streaking artifacts. However, there exists a mismatch between the observed phase and the theoretical forward phase estimated by the susceptibility label. In this study, we proposed a model-based deep learning architecture that followed the STI (susceptibility tensor imaging) physical model, referred to as MoDL-QSM. Specifically, MoDL-QSM accounts for the relationship between STI-derived phase contrast induced by the susceptibility tensor terms (ki13,ki23,ki33) and the acquired single-orientation phase. The convolution neural networks are embedded into the physical model to learn a regularization term containing prior information. ki33 and phase induced by ki13 and ki23 terms were used as the labels for network training. Quantitative evaluation metrics (RSME, SSIM, and HFEN) were compared with recently developed deep learning QSM methods. The results showed that MoDL-QSM achieved superior performance, demonstrating its potential for future applications.

研究动机与目标

• 解决 QSM 中导致条纹伪影和组织磁 susceptibility 定量精度降低的不适定逆问题。
• 通过将物理建模融入深度学习，弥合观测相位数据与理论前向相位预测之间的差距。
• 通过使用 STI 衍生的相位分量作为监督信号，将卷积神经网络嵌入基于物理的框架中，以提高 QSM 重建精度。
• 开发一种方法，通过学习的正则化方式利用先验物理知识，提升磁 susceptibility 成像的鲁棒性与精确性。

提出的方法

• 该方法将磁 susceptibility 张量成像（STI）模型整合进深度学习框架，显式建模磁 susceptibility 张量项（ki13, ki23, ki33）与单方向采集相位之间的关系。
• 在物理模型中嵌入卷积神经网络，以学习编码组织磁 susceptibility 分布先验知识的正则化项。
• 使用 ki33 以及 ki13 和 ki23 的相位贡献作为标签进行网络训练，使模型能够学习更精确的相位到磁 susceptibility 映射。
• 通过在训练和推理过程中均施加 STI 前向模型，确保架构的物理一致性。
• 采用 STI 模型的可微分实现，支持基于梯度的端到端训练。
• 通过 RMSE、SSIM 和 HFEN 指标对方法进行定量评估，并与当前最先进的深度学习 QSM 方法进行比较。

实验结果

研究问题

• RQ1 将 STI 物理模型整合进深度学习框架是否能提升定量磁 susceptibility 成像的准确性？
• RQ2 与标准相位数据相比，使用 STI 衍生的相位分量（ki13, ki23, ki33）作为训练标签如何影响重建质量？
• RQ3 与纯数据驱动的深度学习方法相比，基于模型的深度学习在 QSM 中减少条纹伪影的程度如何？
• RQ4 在神经网络架构中嵌入物理约束是否能带来更鲁棒、更精确的磁 susceptibility 图像？

主要发现

• MoDL-QSM 在定量评估中表现更优，相较于近期基于深度学习的 QSM 方法，显示出更低的 RMSE、更高的 SSIM 和更小的 HFEN。
• 将 STI 物理模型与深度学习结合，显著减少了重建磁 susceptibility 图像中的条纹伪影。
• 该方法通过学习的正则化方式有效利用了物理先验知识，优于现有深度学习方法。
• 使用 ki33 以及 ki13 和 ki23 的相位贡献作为标签进行训练，使网络能够学习到更准确且物理一致的映射关系。