[论文解读] SSL-QALAS: Self-Supervised Learning for Rapid Multiparameter Estimation in Quantitative MRI Using 3D-QALAS

Yohan Jun, Jaejin Cho+5 more|arXiv (Cornell University)|Feb 28, 2023

Advanced MRI Techniques and Applications被引用 4

一句话总结

本文提出SSL-QALAS，一种自监督学习方法，可从3D-QALAS MRI数据中快速、无需字典地估计多参数T1、T2、质子密度（PD）和反转效率（IE）图。通过在受试者特定数据上微调预训练神经网络，SSL-QALAS在推理时实现10秒内完成重建，在扫描特定适应时也仅需15分钟以内，其精度与传统的字典匹配方法相当，且无需标注训练数据或外部字典。

ABSTRACT

Purpose: To develop and evaluate a method for rapid estimation of multiparametric T1, T2, proton density (PD), and inversion efficiency (IE) maps from 3D-quantification using an interleaved Look-Locker acquisition sequence with T2 preparation pulse (3D-QALAS) measurements using self-supervised learning (SSL) without the need for an external dictionary. Methods: A SSL-based QALAS mapping method (SSL-QALAS) was developed for rapid and dictionary-free estimation of multiparametric maps from 3D-QALAS measurements. The accuracy of the reconstructed quantitative maps using dictionary matching and SSL-QALAS was evaluated by comparing the estimated T1 and T2 values with those obtained from the reference methods on an ISMRM/NIST phantom. The SSL-QALAS and the dictionary matching methods were also compared in vivo, and generalizability was evaluated by comparing the scan-specific, pre-trained, and transfer learning models. Results: Phantom experiments showed that both the dictionary matching and SSL-QALAS methods produced T1 and T2 estimates that had a strong linear agreement with the reference values in the ISMRM/NIST phantom. Further, SSL-QALAS showed similar performance with dictionary matching in reconstructing the T1, T2, PD, and IE maps on in vivo data. Rapid reconstruction of multiparametric maps was enabled by inferring the data using a pre-trained SSL-QALAS model within 10 s. Fast scan-specific tuning was also demonstrated by fine-tuning the pre-trained model with the target subject's data within 15 min. Conclusion: The proposed SSL-QALAS method enabled rapid reconstruction of multiparametric maps from 3D-QALAS measurements without an external dictionary or labeled ground-truth training data.

研究动机与目标

• 开发一种快速、端到端的方法，从3D-QALAS数据中估计多种定量MRI参数（T1、T2、PD、IE），而无需依赖外部字典或标注的真实值数据。
• 通过自监督学习实现实时重建定量图，减少临床和研究应用中所需的时间。
• 评估SSL-QALAS在不同受试者和扫描条件下的泛化能力和性能，包括预训练、扫描特定和迁移学习设置。
• 证明自监督学习可实现与字典匹配相当的精度，同时消除耗时的字典生成和查找需求。

提出的方法

• 在大规模3D-QALAS数据上训练自监督学习框架，以学习从原始k空间或sinogram数据到定量参数图的潜在映射。
• 该方法使用深层神经网络架构，通过最小化输入数据潜在表示上的对比损失目标来学习重建定量图。
• 使用少量目标扫描数据对预训练的SSL模型进行微调，实现15分钟内快速适应新受试者。
• 模型训练过程中不使用任何真实参数图，完全依赖数据分布的一致性以及从数据增强中提取的自监督信号。
• 该框架支持使用预训练模型进行推理（<10秒）以及快速微调以提升受试者特定的精度。
• 通过使用幻影数据（ISMRM/NIST）和人体脑部在体扫描对方法进行评估，以衡量其精度和泛化能力。

实验结果

研究问题

• RQ1 自监督学习是否能在无需标注训练数据的情况下，实现与字典匹配方法相当的多参数定量MRI映射精度？
• RQ2 与传统字典匹配方法相比，SSL-QALAS在重建定量图方面速度如何？
• RQ3 在使用预训练、扫描特定和迁移学习配置时，SSL-QALAS的性能如何？
• RQ4 SSL-QALAS是否能在不从头开始重新训练的情况下，泛化到不同受试者和扫描协议？
• RQ5 在临床环境中，SSL-QALAS的推理速度与传统字典匹配重建相比如何？

主要发现

• 幻影实验显示，SSL-QALAS与参考值在T1和T2上表现出良好的线性一致性，相关系数与字典匹配方法相当。
• 在在体数据上，SSL-QALAS生成的T1、T2、PD和IE图在视觉和定量上均与字典匹配方法获得的结果相似。
• 使用预训练的SSL-QALAS模型进行推理耗时不足10秒，显著快于字典匹配重建。
• 在受试者特定数据上微调预训练模型可提升精度，且整个过程在15分钟内完成。
• 该方法在受试者间表现出稳健的泛化能力，采用迁移学习或扫描特定适应时性能无显著下降。
• SSL-QALAS消除了对外部字典和标注真实值数据的需求，实现了完全端到端、快速且自动化的定量MRI映射。