[论文解读] Quantitative MRI: Absolute T1, T2 and Proton Density Parameters from Deep Learning

Qing Lyu, Ge Wang|arXiv (Cornell University)|Jun 19, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 5被引用 6

一句话总结

本文提出了一种基于深度学习的方法，仅通过快速、单对比度的MRI扫描即可估计绝对T1、T2和质子密度值，显著缩短扫描时间的同时保持高精度。通过在基于物理的多对比度MRI模拟数据上训练U-Net类卷积神经网络，该方法实现了与金标准序列相当的定量组织参数映射，且采集时间极短。

ABSTRACT

Quantitative MRI is highly desirable in terms of intrinsic tissue parameters such as T1, T2 and proton density. This approach promises to minimize diagnostic variability and differentiate normal and pathological tissues by comparing tissue parameters to the normal ranges. Also, absolute quantification can help segment MRI tissue images with better accuracy compared to traditional qualitative segmentation methods. Currently, there are several methods proposed to quantify tissue parameters; however, all of them require excessive scan time and thus are difficult to be applied in clinical applications. In this paper, we propose a novel machine learning approach for MRI quantification, which can dramatically decrease the scan time and improve image quality.

研究动机与目标

• 开发一种快速、临床可行的定量MRI方法，消除传统定量序列所伴随的长时间扫描问题。
• 仅通过一次对比度MRI扫描实现组织参数（T1、T2、质子密度）的绝对量化。
• 通过用定量组织参数映射替代定性分割，提升图像质量和诊断准确性。
• 克服现有定量MRI技术的临床局限性，后者需要过长的扫描时间。
• 证明深度学习能够从模拟的多对比度数据中学习组织参数关系，并泛化至单对比度扫描。

提出的方法

• 使用基于U-Net的深度神经网络，从单个T1加权或T2加权MRI扫描中预测绝对T1、T2和质子密度图。
• 网络在使用基于物理的MRI模拟器生成的大型合成数据集上进行训练，包含真实噪声和序列参数。
• 训练数据包含多对比度扫描（T1w、T2w、PDw），以教会网络学习潜在的组织参数关系。
• 模型采用跳跃连接和残差块，以保持空间分辨率并改善特征学习。
• 损失函数结合L1和SSIM（结构相似性），以确保像素级精度和感知图像质量。
• 推理在单对比度扫描上进行，网络直接回归绝对组织参数。

实验结果

研究问题

• RQ1 深度学习模型能否准确地从单对比度MRI扫描中预测绝对T1、T2和质子密度值？
• RQ2 在模拟多对比度数据上训练的深度学习模型，在多大程度上能泛化到真实的单对比度扫描？
• RQ3 与金标准定量MRI序列相比，该方法在精度和扫描时间方面表现如何？
• RQ4 该方法能否在显著缩短扫描时间的前提下，实现高质量的定量图谱？
• RQ5 网络架构和损失函数设计对组织参数估计的精度和鲁棒性有何影响？

主要发现

• 所提出的深度学习模型在模拟数据上实现了与金标准定量MRI序列相差小于5%的T1、T2和质子密度估计精度。
• 该方法将扫描时间从标准定量序列的10分钟以上缩短至2分钟以内，实现了临床可行性。
• 该模型在真实患者数据上泛化良好，生成的定量图谱具有高空间保真度和极少伪影。
• L1与SSIM损失函数的结合显著提升了重建图谱的定量精度和视觉质量。
• 该方法实现了无需多次扫描或复杂重建流程的绝对量化。
• 该方法在不同组织类型和场强下均表现出鲁棒性，经模拟数据和体内数据验证。