[论文解读] Nonlinear Dipole Inversion (NDI) enables Quantitative Susceptibility Mapping (QSM) without parameter tuning

Daniel Polak, Itthi Chatnuntawech+7 more|arXiv (Cornell University)|Sep 30, 2019

Advanced MRI Techniques and Applications参考文献 53被引用 5

一句话总结

本文提出非线性偶极子反演（NDI），一种用于定量磁 susceptibility成像（QSM）的物理驱动重建方法，通过使用包含幅度数据作为先验的非线性正向模型，消除了对正则化参数调优的需求。通过将NDI与变分网络（VaNDI）结合，该方法即使在仅两个头部方向和高度加速的7T数据（0.5 mm各向同性分辨率）下，也能实现最先进水平的图像质量。

ABSTRACT

We propose Nonlinear Dipole Inversion (NDI) for high-quality Quantitative Susceptibility Mapping (QSM) without regularization tuning, while matching the image quality of state-of-the-art reconstruction techniques. In addition to avoiding over-smoothing that these techniques often suffer from, we also obviate the need for parameter selection. NDI is flexible enough to allow for reconstruction from an arbitrary number of head orientations, and outperforms COSMOS even when using as few as 1-direction data. This is made possible by a nonlinear forward-model that uses the magnitude as an effective prior, for which we derived a simple gradient descent update rule. We synergistically combine this physics-model with a Variational Network (VN) to leverage the power of deep learning in the VaNDI algorithm. This technique adopts the simple gradient descent rule from NDI and learns the network parameters during training, hence requires no additional parameter tuning. Further, we evaluate NDI at 7T using highly accelerated Wave-CAIPI acquisitions at 0.5 mm isotropic resolution and demonstrate high-quality QSM from as few as 2-direction data.

研究动机与目标

• 消除QSM重建中正则化参数调优的需求，该需求是临床和研究应用中的主要瓶颈。
• 通过避免传统正则化技术常引入的过度平滑，提升图像质量。
• 通过利用基于物理的非线性模型，实现在最少数据（包括仅一个或两个头部方向）下高质量的QSM重建。
• 在可微分框架中整合深度学习与物理建模，学习最优参数而无需手动调参。
• 在0.5 mm各向同性分辨率下，对高度加速的7T Wave-CAIPI扫描表现出稳健性能。

提出的方法

• 提出一种非线性正向模型，利用MR信号的幅度作为有效先验，以改善磁 susceptibility估计。
• 推导出一种简单的梯度下降更新规则用于非线性偶极子反演，实现高效优化，且无需迭代调参。
• 提出VaNDI，一种混合框架，将基于物理的NDI与变分网络（VN）结合，以在训练过程中学习网络参数。
• 将NDI的梯度下降更新规则作为深度学习架构的核心，确保物理一致性与可解释性。
• 支持任意数量头部方向的重建，包括单方向和双方向采集。
• 采用可微分公式，支持端到端训练，同时保持偶极子方程的物理约束。

实验结果

研究问题

• RQ1 是否可通过结合幅度数据作为先验的非线性正向模型，在无需正则化参数调优的情况下提升QSM重建质量？
• RQ2 NDI在仅使用有限数据（如单方向或双方向）进行QSM重建时表现如何？
• RQ3 基于物理的反演与深度学习结合（VaNDI）在图像质量和鲁棒性方面，与最先进方法（如COSMOS）相比，能提升多少？
• RQ4 NDI是否能通过高度加速的Wave-CAIPI序列在7T下实现高分辨率QSM，且不牺牲准确性？
• RQ5 与传统基于正则化的方法相比，该方法是否能保持高保真度并减少过度平滑？

主要发现

• NDI在无需任何正则化参数调优的情况下，实现了与最先进QSM方法（如COSMOS）相当的图像质量。
• 由于其基于物理的非线性模型，该方法显著减少了传统正则化QSM重建中常见的过度平滑伪影。
• 作为NDI的深度学习变体，VaNDI在训练过程中学习最优网络参数，且无需额外超参数调优。
• 即使仅使用两个头部方向，NDI的表现仍优于COSMOS，证明了其对低方向数据的鲁棒性。
• 在0.5 mm各向同性分辨率下，通过高度加速的Wave-CAIPI扫描实现了高质量QSM，验证了其临床可行性。
• 在非线性正向模型中使用幅度作为先验，显著提升了不同采集方案下的重建精度与稳定性。