上海交大魏红江教授团队在MedIA提出基于隐式神经表达的无监督式脑磁化率精准定量成像
发布时间:2024-05-21 10:26:56

近日,上海交通大学生物医学工程学院/磁共振诊疗高端技术国家工程研究中心魏红江教授团队的研究工作“A subject-specific unsupervised deep learning method for quantitative susceptibility mapping using implicit neural representation”在线发表于国际期刊Medical Image AnalysisIF=10.9[1]。该项研究提出了一种基于隐式神经表达(Implicit Neural Representation, INR)的无监督式定量磁化率(Quantitative Susceptibility MappingQSM)精准成像技术(INR-QSM)。与既往基于配对数据集的全监督式深度学习QSM方法不同,该方法采用了一种全新的图像表示框架,基于AIINR算法,实现了无需配对训练数据、仅基于单个样本的高质量QSM精准定量成像。该团队首次提出了适用于QSM前向物理模型的相位补偿策略,并成功地融入到深度学习框架里,实现了QSM的精准定量。INR-QSM为医学影像逆问题的求解提供了全新的思路。


研究背景

QSM是一种基于磁共振相位信息的定量成像技术,具有优越的脑组织对比度,能够无创地定量脑铁和髓鞘含量,在脑科学研究领域有着广泛的应用。然而,从相位图像到QSM图像的重建是典型的病态逆问题,其精准求解具有极大挑战。传统QSM重建方法通过引入先验正则化约束解决这一问题,但极易受噪声、伪影或过度平滑影响,导致定量精度不足。全监督式深度学习方法在解决QSM重建中取得了令人惊喜的效果,但其网络本身泛化能力弱,重建结果不稳定及应用场景受限。同时,现有深度学习方法在使用磁化率到组织相位的前向物理模型时忽略了组织相位的非局部性,导致物理模型的准确性受限,严重影响重建性能。上述几个关键问题限制了QSM重建算法定量的准确性。

 

实验方法

针对以上挑战,该研究提出了一种新颖的无监督式QSM重建方法。在隐式神经表达框架下,传统复杂的QSM重建问题被转化为一个由空间坐标到磁化率数值的连续函数参数优化问题。该研究首次提出了相位补偿策略,巧妙地将特定空间位置对应的组织相位分解为该位置磁化率源产生的局部相位和周围磁化率源产生的非局部组织相位的叠加,完整地考虑了组织相位的非局部性,进而提高了前向模型计算的准确性(图 1c)。

该研究首先使用QSM challenge 2019数据集(Sim2SNR1)验证所提相位补偿策略的有效性,并在该仿真数据和微出血病人数据上评估重建性能。对比方法包括传统重建方法(TKDSTAR-QSMiLSQRFANSI)和三种深度学习方法(监督式的QSMnetLPCNN,以及无监督式的AdaIN-QSM)。

 

 

1 所提出的INR-QSM的方法框图

 

研究结果

2显示了在仿真数据上的重建结果。首先是消融实验,在INR框架下,采用所提相位补偿策略能够显著提升重建性能,如实现更均匀的白质对比度(图2a)和减少钙化灶周围的伪影(图2b)。结果也表明,与其他传统或深度学习对比方法相比,INR-QSM在重建结果上也具有优势。

 

2 不同方法在仿真数据上的重建结果对比,INR-QSM实现了灰白质磁化率精准定量和模拟病灶结构的精准重建

 

3显示了在病灶数据上的重建结果。传统方法(TKDiLSQRSTAR-QSMFANSI)在病灶#2周围有着明显的伪影;而这个病灶周围的伪影在深度学习方法(QSMnetLCPNNAdaIN-QSMINR-QSM)的重建结果上得到了有效抑制。

 

3 不同方法在病灶数据上的重建结果对比

 

基于INR-QSM的连续性磁化率表达特性,通过输入更密的坐标网格,可以预测“任意”位置的磁化率数值。基于该特性,研究者探究了INR框架的连续表达能力。图4结果表明,即使网络是在离散的网格点上训练的,依然可以学习到连续性的信号表达,而该连续性表达有助于网络寻找最优解。

 

4 INR框架的连续性表达能力

 

研究展望

本研究使用了一种全新的信号表征框架来解决QSM重建中病态逆问题的求解问题。与监督式深度学习方法相比,该方法通过无监督隐式神经表达AI算法充分地挖掘测量数据本身信息,不依赖于配对数据,仅仅基于单个样本即可实现高质量QSM精准定量。单样本训练策略同时避免了传统监督式学习中的泛化性问题。基于INR表征信号的连续性先验,可以有效地抑制噪声和伪影,进而实现了脑组织磁化率的精准定量,该方法思路同时广泛适用于医学成像病态逆问题的求解,有助于推动医学成像领域的进步和临床应用。

 

参考文献:

[1] Ming Zhang, Ruimin Feng, Zhenghao Li, Jie Feng, Qing Wu, Zhiyong Zhang, Chengxin Ma, Jinsong Wu, Fuhua Yan, Chunlei Liu, Yuyao Zhang, Hongjiang Wei*. A subject-specific unsupervised deep learning method for quantitative susceptibility mapping using implicit neural representation. Medical Image Analysis. 2024, 95, 103173.

                                                 

作者:魏红江教授团队

审核:金学军

 

论文链接 https://www.sciencedirect.com/science/article/pii/S1361841524000987?via%3Dihub