[论文解读] Quantitative Susceptibility Inversion Through Parcellated Multiresolution Neural Networks and K-Space Substitution

Juan Liu, Andrew S. Nencka+4 more|arXiv (Cornell University)|Mar 8, 2019

Advanced MRI Techniques and Applications参考文献 42被引用 6

一句话总结

该论文提出ASPEN，一种基于深度学习的QSM重建方法，采用分块多分辨率编码器-解码器网络与k空间替换技术，以提升图像质量和速度。该方法在黄金标准数据集和大规模队列数据集中，实现了接近实时的磁 susceptibility映射，显著减少了条状伪影，且定量精度与当前最先进方法相当。

ABSTRACT

Purpose: Quantitative Susceptibility Mapping (QSM) reconstruction is a challenging inverse problem driven by poor conditioning of the 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 deep-learning-based approach is proposed and demonstrated. Methods: An encoder-decoder neural network was trained to infer susceptibility maps on volume parcellated regions. The training data consisted of fabricated susceptibility distributions modeled to mimic the spatial frequency patterns of in-vivo brain susceptibility distributions. Inferred volume parcels were recombined to form composite QSM. This approach is denoted as ASPEN, standing for Approximated Susceptibility through Parcellated Encoder-decoder Networks. ASPEN performance was evaluated relative to several well-established approaches on a gold-standard challenge dataset and on cohort of 200 study subjects. Results: ASPEN provided similar levels of quantitative accuracy compared to the evaluated established approaches on the gold standard ISMRM Challenge dataset, but qualitatively showed marked reductions in streaking artifacts and map blurring. On the large-cohort dataset, ASPEN achieved the highest score compared with other methods in a multi-rater evaluation of streaking artifacts and map resolution. Conclusion: The proposed ASPEN approach can robustly infer susceptibility maps in near real-time on routine computational hardware. This preliminary study establishes ASPEN's parity with existing approaches for quantitative accuracy on a well-curated gold standard dataset and further demonstrates its robustness to streaking artifacts across a large cohort of subjects.

研究动机与目标

• 解决QSM反演的病态性问题，该问题在临床应用中导致条状伪影和模糊。
• 克服传统正则化与阈值化方法的局限性，这些方法会降低分辨率或需要手动调参。
• 开发一种深度学习框架，可在无需依赖黄金标准COSMOS或STI数据的前提下，泛化于不同分辨率和临床场景。
• 实现在标准硬件上的近实时QSM重建，以支持临床转化。
• 通过稳健的神经网络训练与k空间替换，最小化高磁 susceptibility 区域（如出血灶）及边界效应带来的伪影。

提出的方法

• 在通过空间谐波分析生成的合成磁 susceptibility 图像上训练编码器-解码器神经网络，以模拟体内脑组织的磁 susceptibility 频率模式。
• 应用体积分块技术，将大脑划分为空间分离的区域，实现具有重叠补丁（192×192×64 和 128×128×128）的多分辨率推理。
• 采用k空间替换技术，用测量的k空间数据替换预测场的k空间，提升保真度，且无需复杂分割。
• 采用直接未滤波的k空间替换，匹配TKD阈值0.2，降低对替换区域大小或方法的依赖。
• 通过重叠区域平均法，将分块区域推断出的磁 susceptibility 图像重新组合为复合QSM图。
• 使用基于偶极子核的前向模型进行网络训练，确保数据一致性与计算效率。

实验结果

研究问题

• RQ1 基于深度学习的QSM方法是否能在保持与现有方法相当的定量精度的同时，减少条状伪影？
• RQ2 与全体积网络相比，分块多分辨率推理在QSM重建中如何提升鲁棒性与分辨率？
• RQ3 k空间替换在无需复杂分割或滤波的情况下，能在多大程度上提升QSM图像质量？
• RQ4 在模拟数据上训练的网络是否能有效泛化至不同受试者与扫描协议下的真实临床数据？
• RQ5 在大规模数据集上，该方法是否在定量精度与定性伪影减少方面均优于现有的深度学习与迭代QSM技术？

主要发现

• 在ISMRM QSM挑战赛黄金标准数据集上，ASPEN实现了与现有方法相当的定量精度，全局与局部指标均无显著提升。
• 在200例受试者队列中，ASPEN在减少条状伪影与提升图像分辨率方面获得了最高的多评估者评分，优于其他方法。
• 该方法在常规计算硬件上可在数秒内生成磁 susceptibility 图像，支持近实时临床部署。
• ASPEN对高磁 susceptibility 区域（如出血灶）表现出鲁棒性，无需人工干预即可保持图像质量。
• k空间替换方案即使在直接未滤波替换下也表现有效，对替换区域大小或方法的敏感性极低。
• 尽管在挑战赛数据集上定量性能强劲，CFL2等方法在定性评估中得分最低，凸显了定量指标与临床实用性之间的脱节。