[论文解读] Non-locally Encoder-Decoder Convolutional Network for Whole Brain QSM Inversion

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

Advanced MRI Techniques and Applications参考文献 12被引用 5

一句话总结

本文提出QSMInvNet，一种3D非局部编码器-解码器门控卷积神经网络，能够从单对比度SWI数据重建高分辨率全脑磁 susceptibility 图像。通过利用前向偶极子建模生成的合成数据，并结合非局部模块与门控卷积，该方法在图像锐度和伪影抑制方面优于TKD、FANSI和MEDI，实现了无需正则化参数调优的实时、伪影最小化QSM重建。

ABSTRACT

Quantitative Susceptibility Mapping (QSM) reconstruction is a challenging inverse problem driven by ill conditioning of its field-to -susceptibility transformation. State-of-art QSM reconstruction methods either suffer from image artifacts or long computation times, which limits QSM clinical translation efforts. To overcome these limitations, a non-locally encoder-decoder gated convolutional neural network is trained to infer whole brain susceptibility map, using the local field and brain mask as the inputs. The performance of the proposed method is evaluated relative to synthetic data, a publicly available challenge dataset, and clinical datasets. The proposed approach can outperform existing methods on quantitative metrics and visual assessment of image sharpness and streaking artifacts. The estimated susceptibility maps can preserve conspicuity of fine features and suppress streaking artifacts. The demonstrated methods have potential value in advancing QSM clinical research and aiding in the translation of QSM to clinical operations.

研究动机与目标

• 为解决QSM反演的不适定性问题，该问题在传统方法中导致条纹伪影和图像模糊。
• 开发一种基于深度学习的方法，实现在无需额外扫描的前提下，对全脑进行高分辨率QSM重建，仅依赖标准临床SWI扫描协议。
• 通过抑制条纹伪影和晕染伪影，同时保留微小钙化和小出血灶等精细解剖细节，提升图像质量。
• 消除对手动调节正则化参数的依赖，实现临床环境中即插即用的部署。
• 证明现有临床SWI数据可被用于生成具有诊断价值的QSM图像，而无需修改扫描协议。

提出的方法

• 训练一个3D编码器-解码器卷积神经网络，采用门控卷积和空洞卷积，从局部场图和脑部掩码中推断磁 susceptibility 图像。
• 网络中引入非局部模块，以增强长距离上下文建模能力，改善对大范围磁 susceptibility 区域的估计。
• 使用单个在体COSMOS数据集生成合成训练数据，包括几何失真、插入的形状以及局部对比度变化，随后通过前向偶极子卷积计算场图。
• 采用预测与真实 susceptibility 图像之间的L1损失进行网络训练，使用RMSprop优化算法并应用批量归一化。
• 数据增强包括弹性形变、随机放置的具有不同磁 susceptibility 值和方向的几何形状，以及局部对比度调整。
• 在合成数据、公开的QSM挑战数据集以及多个具有不同分辨率和层厚的临床SWI数据集上对方法进行评估。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在图像锐度和伪影抑制方面优于传统QSM反演方法（TKD、FANSI、MEDI）？
• RQ2 非局部编码器-解码器网络是否能有效建模全脑范围内的长距离磁 susceptibility 依赖关系，而无需采用分块重建策略？
• RQ3 门控卷积的使用是否能提升网络对组织与边界磁 susceptibility 特征的区分能力？
• RQ4 该模型是否能泛化至使用标准协议采集的真实临床SWI数据，而无需额外扫描或金标准验证？
• RQ5 该方法是否能在GPU硬件上实现推理的实时性，且无需正则化参数调优？

主要发现

• 在合成数据上，QSMInvNet的RMSE更低（0.025 vs. 0.038–0.052），HFEN更高（0.87 vs. 0.72–0.80），SSIM更高（0.96 vs. 0.88–0.92），优于TKD、FANSI和MEDI。
• 在临床示例中，QSMInvNet生成的图像表现出更优的图像锐度，并保留了细微结构，如小钙化灶和出血性病灶，如轴位放大图像中白色箭头所示。
• 与TKD、FANSI和MEDI相比，QSMInvNet显著减少了条纹伪影和晕染伪影，尤其在高磁 susceptibility 对比区域（如术后腔隙和病灶）表现更优。
• 该方法成功区分了抗磁性钙化（QSM上呈低信号）与顺磁性含铁血黄素（QSM上呈高信号），克服了SWI“ blooming”伪影的局限性。
• QSMInvNet实现了GPU硬件上的实时推理，消除了传统方法所需的正则化参数调优。
• 该网络在多种临床数据中表现出鲁棒性，包括硬膜下积液、立体定向放射外科术后转移灶及术前规划病例，输出保持一致的高质量。