[论文解读] MRI Tissue Magnetism Quantification through Total Field Inversion with Deep Neural Networks

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|Apr 11, 2019

Advanced MRI Techniques and Applications参考文献 36被引用 4

一句话总结

该论文提出TFInet，一种基于深度学习的单步定量磁 susceptibility 成像（QSM）方法，通过物理信息合成训练数据，直接将MRI相位数据反演为组织磁 susceptibility 估计。TFInet 在带有随机扰动的静磁学模拟数据上进行训练，其在准确性和伪影抑制方面优于现有的TFI和多步QSM方法，实现了从标准临床SWI数据中实时、高保真度的QSM重建，显著减少了条纹状伪影或遮蔽伪影。

ABSTRACT

Quantitative susceptibility mapping (QSM) utilizes MRI signal phase to infer estimates of local tissue magnetism (magnetic susceptibility), which has been shown useful to provide novel image contrast and as biomarkers of abnormal tissue. QSM requires addressing a challenging post-processing problem: filtering of image phase estimates and inversion of the phase to susceptibility relationship. A wide variety of quantification errors, robustness limitations, and artifacts plague QSM algorithms. To overcome these limitations, a robust deep-learning-based single-step QSM reconstruction approach is proposed and demonstrated. This neural network was trained using magnetostatic physics simulations based on in-vivo data sources. Random perturbations were added to the physics simulations to provide sufficient input-label pairs for the training purposes. The network was quantitatively tested using gold-standard in-silico labeled datasets against established QSM total field inversion approaches. In addition, the algorithm was applied to susceptibility-weighted imaging (SWI) data collected on a cohort of clinical subjects with brain hemmhorage. When quantitatively compared against gold-standard in-silico labels, the proposed algorithm outperformed the existing comparable approaches. High quality QSM were consistently estimated from clinical susceptibility-weighted data on 100 subjects without any noticeable inversion failures. The proposed approach was able to robustly generate high quality QSM with improved accuracy in in-silico gold-standard experiments. QSM produced by the proposed method can be generated in real-time on existing MRI scanner platforms and provide enhanced visualization and quantification of magnetism-based tissue contrasts.

研究动机与目标

• 为克服现有QSM方法的局限性，包括正则化参数调节、计算负担以及背景场去除带来的伪影。
• 开发一种稳健的单步总场反演（TFI）方法，避免两步处理流程及其相关的误差传播。
• 直接从标准临床磁敏感加权成像（SWI）数据中实现高质量QSM重建，无需额外扫描。
• 在磁 susceptibility 变化较大的区域（如颅内出血）中，提高 susceptibility 估计的准确性和一致性。
• 通过在具有多种病理特征（如出血和钙化）的真实患者数据上应用该方法，证明其临床实用性。

提出的方法

• 设计了一种包含门控卷积、空洞卷积、残差连接和非局部模块的3D编码器-解码器U-Net架构，用于3D susceptibility 成像。
• 网络在通过体内解剖模型生成的合成MRI相位数据上进行训练，训练数据基于静磁学物理模拟。
• 对模拟的相位数据施加随机扰动，以增加训练分布的多样性并提升泛化能力。
• 模型实现端到端总场反演，直接将原始相位图像映射为susceptibility 图像，无需中间背景场去除步骤。
• 网络采用L2损失和批量归一化，以稳定训练过程，并提升在3D体素数据上的收敛性能。
• 该方法使用金标准的仿真数据集进行验证，并应用于100例颅内出血患者的临床SWI扫描数据。

实验结果

研究问题

• RQ1 在物理模拟数据上训练的深度学习模型，是否能在QSM重建精度上显著优于现有的TFI和多步QSM方法？
• RQ2 所提出的单步TFI方法是否能消除对人工正则化参数调节的需求，并降低计算时间？
• RQ3 该模型是否能在低分辨率、非各向同性临床SWI数据上保持性能，不出现退化？
• RQ4 在磁 susceptibility 变化较大的区域（如出血性病灶）中，该模型对条纹状和遮蔽伪影的抑制效果如何？
• RQ5 该模型是否能保留细微解剖结构，并准确区分磁性（如钙化）与顺磁性（如出血）病灶？

主要发现

• 在100组合成测试数据上，TFInet 的RMSE（28.5±3.1%）和HFEN（26.5±2.4%）均低于所有对比方法，显著优于SS-TV-QSM、LN-QSM、PDF+MEDI和RESHARP+TKD。
• 该方法的SSIM达到0.990±0.002，表明其与金标准susceptibility 图像在结构上近乎完美匹配。
• 在临床扫描中，TFInet 在100例颅内出血患者中均成功重建了QSM图，未出现明显的反演失败。
• TFInet 在所有解剖平面中均有效抑制了条纹状和遮蔽伪影，尤其在微出血和钙化等复杂susceptibility 源区域表现优异。
• 该方法实现了对磁性钙化（QSM上呈低信号）与顺磁性出血（QSM上呈高信号）的清晰区分，克服了SWI在病灶表征方面的局限。
• TFInet 生成的QSM图保留了精细的微结构，在放大视图中未见任何可见伪影，而其他方法则表现出模糊或失真。