[论文解读] MRSNet: Metabolite Quantification from Edited Magnetic Resonance Spectra With Convolutional Neural Networks

Max Chandler, Christopher W. Davies‐Jenkins+2 more|arXiv (Cornell University)|Sep 6, 2019

Advanced MRI Techniques and Applications参考文献 51被引用 11

一句话总结

MRSNet 是一种二维卷积神经网络，通过直接从编辑谱回归相对浓度，提升了 MRS 中代谢物定量的准确性与精度。在 3T 的 MEGA-PRESS 扫描下，使用实验幻影进行基准测试时，其性能优于 LCModel 和 jMRUI 等最先进方法。

ABSTRACT

Quantification of metabolites from magnetic resonance spectra (MRS) has many applications in medicine and psychology, but remains a challenging task despite considerable research efforts. For example, the neurotransmitter $γ$-aminobutyric acid (GABA), present in very low concentration in vivo, regulates inhibitory neurotransmission in the brain and is involved in several processes outside the brain. Reliable quantification is required to determine its role in various physiological and pathological conditions. We present a novel approach to quantification of metabolites from MRS with convolutional neural networks --- MRSNet. MRSNet is trained to perform the multi-class regression problem of identifying relative metabolite concentrations from given input spectra, focusing specifically on the quantification of GABA, which is particularly difficult to resolve. Typically it can only be detected at all using special editing acquisition sequences such as MEGA-PRESS. A large range of network structures, data representations and automatic processing methods are investigated. Results are benchmarked using experimental datasets from test objects of known composition and compared to state-of-the-art quantification methods: LCModel, jMRUI (AQUES, QUEST), TARQUIN, VeSPA and Gannet. The results show that the overall accuracy and precision of metabolite quantification is improved using convolutional neural networks.

研究动机与目标

• 为解决 MRS 中代谢物定量的准确性与精确性挑战，特别是针对低浓度代谢物（如 GABA）的定量问题。
• 通过机器学习自动化定量过程，减少对人工谱图处理和专家校准的依赖。
• 评估深度学习模型（特别是卷积神经网络）在经过校准的幻影采集的 MRS 数据上的性能表现。
• 识别用于 MRS 定量的最优网络架构、数据表示方式及基集。
• 证明数据驱动方法在准确性和鲁棒性方面可超越传统基集拟合方法。

提出的方法

• MRSNet 采用二维卷积神经网络（CNN）对频域 MRS 谱进行多类别回归，预测相对代谢物浓度。
• 网络在 5,000 个合成与实验谱图上进行训练，采用步长大于 1 的卷积操作，并在频率轴上使用 1×N 滤波器，以高效捕捉谱图特征。
• 输入数据表示方式包括幅度谱、绝对差谱（edit-off 与 edit-on 的差值）以及多种基集组合。
• 模型在使用 3T 扫描仪和 MEGA-PRESS 序列（TR = 68 ms，TE = 2000 ms）采集的基准数据集上进行端到端训练。
• 通过已知代谢物浓度的实验幻影评估性能，以确保与真实值的比较。
• 在不同数据类型（幅度谱 vs. 复数谱）、基集（LCModel、FID-A）和谱图表示方式下测试网络，以确定最优配置。

实验结果

研究问题

• RQ1 2D CNN 是否在 GABA 定量方面，相较于 LCModel、jMRUI 和 TARQUIN 等传统 MRS 定量方法，展现出更高的准确性和精确度？
• RQ2 哪种输入数据表示方式（如幅度谱、绝对差谱、复数谱）能为 MRSNet 提供最稳健且准确的预测结果？
• RQ3 基集的选择（如 LCModel 与 FID-A）如何影响深度学习模型的性能表现？
• RQ4 用于 MRS 定量的最优网络架构是什么，特别是在卷积层设计与滤波器配置方面？
• RQ5 训练好的模型在不重新训练的情况下，能在多大程度上泛化到不同脉冲序列参数或扫描仪平台？

主要发现

• 采用步长大于 1 的卷积操作以及在频率轴上使用 1×N 滤波器的 2D CNN，在所有测试架构中表现最佳。
• 以 edit-on 减去 edit-off 的绝对差谱作为输入，相比仅使用幅度谱，显著提升了定量精度。
• 在训练中，FID-A 基集通常优于其他基集，但当从代谢物集合中排除肌酸（Creatine）时，LCModel 表现更优。
• MRSNet 在标准 CPU 上的平均处理时间为 24 ± 2ms/谱，展现出极高的推理效率。
• 在 5,000 个样本上训练的模型达到了最先进水平的准确性和精确度，在实验幻影数据集上超越了 LCModel、jMRUI（AQUES、QUEST）、TARQUIN、VeSPA 和 Gannet。
• 尽管不同模拟器（如 PyGamma、FID-A、LCModel）中的 GABA 模型参数存在差异，网络性能依然保持稳健，表明其对模拟差异具有良好的泛化能力。