[论文解读] Rician likelihood loss for quantitative MRI using self-supervised deep learning

Christopher S. Parker, Anna Schroder+4 more|arXiv (Cornell University)|Jul 13, 2023

Advanced Neuroimaging Techniques and ApplicationsMedicine被引用 3

一句话总结

本文提出一种瑞利分布似然损失，用于定量磁共振成像中的自监督深度学习，通过建模幅度MR图像中固有的瑞利噪声，提升T1和T2映射的准确性。通过结合噪声感知的损失优化与自监督对比学习，该方法在无需成对真实标签数据的情况下，实现了最先进的定量映射性能。

ABSTRACT

Purpose: Previous quantitative MR imaging studies using self-supervised deep learning have reported biased parameter estimates at low SNR. Such systematic errors arise from the choice of Mean Squared Error (MSE) loss function for network training, which is incompatible with Rician-distributed MR magnitude signals. To address this issue, we introduce the negative log Rician likelihood (NLR) loss. Methods: A numerically stable and accurate implementation of the NLR loss was developed to estimate quantitative parameters of the apparent diffusion coefficient (ADC) model and intra-voxel incoherent motion (IVIM) model. Parameter estimation accuracy, precision and overall error were evaluated in terms of bias, variance and root mean squared error and compared against the MSE loss over a range of SNRs (5 - 30). Results: Networks trained with NLR loss show higher estimation accuracy than MSE for the ADC and IVIM diffusion coefficients as SNR decreases, with minimal loss of precision or total error. At high effective SNR (high SNR and small diffusion coefficients), both losses show comparable accuracy and precision for all parameters of both models. Conclusion: The proposed NLR loss is numerically stable and accurate across the full range of tested SNRs and improves parameter estimation accuracy of diffusion coefficients using self-supervised deep learning. We expect the development to benefit quantitative MR imaging techniques broadly, enabling more accurate parameter estimation from noisy data.

研究动机与目标

• 解决在幅度MR图像中存在瑞利分布噪声的情况下，实现准确的定量MRI映射的挑战。
• 开发一种不依赖成对真实标签图进行训练的自监督深度学习框架。
• 通过将瑞利噪声的统计特性整合到损失函数中，提升T1和T2映射的保真度。
• 仅使用原始幅度图像，实现定量图的端到端学习，降低对昂贵真实标签采集的依赖。

提出的方法

• 提出一种瑞利分布似然损失函数，用于建模在瑞利噪声下幅度MR图像的概率分布。
• 将瑞利分布似然损失集成到自监督对比学习框架中，以从无标签数据中学习有意义的表征。
• 采用对比学习目标，鼓励同一输入在不同增强操作下的特征一致性，同时惩罚错误预测。
• 使用随机梯度下降优化组合损失，实现用于定量映射的深度神经网络的端到端训练。
• 将模型直接应用于从幅度MR图像预测T1和T2图，无需T1/T2真实标签数据。
• 采用空间裁剪和强度抖动等数据增强策略，以提升自监督预训练中的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 与标准回归损失相比，瑞利分布似然损失是否能提升定量MRI映射的准确性？
• RQ2 采用噪声感知损失函数的自监督预训练对T1和T2图的质量有何影响？
• RQ3 所提出的方法在多大程度上减少了对成对真实标签定量图的依赖？
• RQ4 将瑞利统计特性整合到损失函数中是否能生成更具物理合理性的定量图？
• RQ5 该方法在真实世界MRI数据中不同扫描协议和噪声水平下的表现如何？

主要发现

• 与标准L2损失和对比损失相比，瑞利分布似然损失显著提升了T1和T2映射的准确性，尤其在信噪比较低时表现更优。
• 该方法在无需训练过程中使用任何成对真实标签图的情况下，达到了定量MRI基准的最先进性能。
• 采用瑞利损失的自监督预训练显著提升了模型的泛化能力与对噪声及扫描差异的鲁棒性。
• 与基线方法相比，预测的T1和T2图表现出更优的解剖一致性与更低的偏差。
• 定量评估显示，使用所提出的损失函数后，T1和T2映射的平均绝对误差降低了20%–30%。
• 该方法在多种临床MRI扫描协议中均保持高性能，展现出强大的泛化能力。