[论文解读] Synthetic Perfusion Maps: Imaging Perfusion Deficits in DSC-MRI with Deep Learning

Andreas Hess, Raphael Meier+6 more|arXiv (Cornell University)|Jun 11, 2018

Advanced MRI Techniques and Applications参考文献 3被引用 4

一句话总结

本文提出一种基于深度学习、无需模型的端到端卷积神经网络方法，仅使用原始灌注数据即可生成动态磁敏感对比增强（DSC-MRI）的合成灌注图。该方法在减少噪声和加快推理速度的同时，实现了与标准灌注图相当的临床效果，并通过引入一个搏动特征表征模块，无需动脉输入函数（AIF）估计即可处理不同对比剂到达时间的变化。

ABSTRACT

In this work, we present a novel convolutional neural net- work based method for perfusion map generation in dynamic suscepti- bility contrast-enhanced perfusion imaging. The proposed architecture is trained end-to-end and solely relies on raw perfusion data for inference. We used a dataset of 151 acute ischemic stroke cases for evaluation. Our method generates perfusion maps that are comparable to the target maps used for clinical routine, while being model-free, fast, and less noisy.

研究动机与目标

• 开发一种无需参数建模的端到端深度学习框架，直接从原始DSC-MRI数据生成灌注图。
• 消除手动或自动动脉输入函数（AIF）估计的需求，该过程易出错且耗时。
• 通过处理不同对比剂搏动到达时间，提高急性缺血性卒中灌注图生成的鲁棒性。
• 生成的灌注图比传统方法更少噪声且计算更快，从而支持实时临床应用。

提出的方法

• 采用类似3D U-Net的卷积神经网络架构，从原始DSC-MRI序列预测T_max灌注图。
• 模型独立处理每个体素的时间序列，依赖于灌注信号中的局部时间模式。
• 专门设计的搏动特征表征结构（BCS）从固定解剖区域（基底动脉至后脑动脉）提取特征，以估计搏动到达时间及AIF特征。
• 通过将灌注序列随机偏移-5至30帧，并采用反射填充方式保持信号完整性，实现时间数据增强。
• 损失函数采用加权平均绝对误差（MAE），对最影响MAEC指标的值赋予更高权重，从而提升关键区域的预测精度。
• 预处理阶段应用空间和时间归一化，包括体素级高斯平滑和标准化，以稳定训练过程。

实验结果

研究问题

• RQ1 深度学习模型能否直接从原始DSC-MRI数据生成具有临床意义的灌注图，而无需AIF估计或参数建模？
• RQ2 与标准临床灌注图相比，该模型在准确性、噪声水平以及对不同搏动到达时间变化的鲁棒性方面表现如何？
• RQ3 时间数据增强在提升不同病例中对比剂到达延迟差异下的泛化能力方面有多大改善？
• RQ4 与不具此类归纳偏差的标准CNN相比，引入专用搏动特征表征模块是否显著提升了模型性能？
• RQ5 该模型能否估计预测不确定性？该不确定性是否与实际预测误差相关？

主要发现

• 所提模型在性能上与标准临床灌注图相当，预测的T_max图显著降低噪声，外观更平滑。
• 模型对不同对比剂搏动到达时间具有鲁棒性，时间数据增强有效提升了泛化能力。
• 移除搏动特征表征结构或损失加权机制导致预测精度显著下降，证实二者对模型性能至关重要。
• 模型预测的不确定性（σ²）与预测值大小相关，而非与误差相关，表明由于目标图中存在噪声，模型在准确预测高值体素方面存在困难。
• 在信号衰减微弱且噪声较高的情况下（如头部运动所致），模型失效，表明当搏动特征表征结构无法可靠检测搏动时存在局限性。
• 使用训练期间数据增强的模型B在测试集上的表现优于模型A，表明数据增强提升了模型在具有不同搏动时间延迟的未见数据上的泛化能力。