物理知識に基づいた深層学習による低磁場MRIにおける共同B0および画像再構成

情報科学 人工知能 医学 生物物理学 医用画像学 生命科学
低磁場MRI 物理知識を活用 ディープラーニング 画像再構成 展開された最適化 場の不均一性

物理知識に基づく深層学習を活用した低磁場MRI画像再構成

背景紹介：

最近、低磁場磁気共鳴画像法（MRI）の応用が注目されています。低磁場MRIはコストが低く、メンテナンスが簡単なため、さまざまな臨床および研究環境で広い応用可能性があると考えられています。たとえば、携帯型低磁場MRIスキャナは操作が容易で、緊急医療や手術室などの場面でも利用可能です。また、低磁場MRIは脳卒中の診断に有望である初期評価が示されており、この技術が全球的な医療診断においてより魅力的であることを示唆しています。しかし、低磁場MRIの主な課題は低信号対雑音比（SNR）と磁石設計、材料欠陥、および製造公差によるB0磁場の不均一性にあります。

この研究はDavid Schote、Lukas Winter、Christoph Kolbitsch、Georg Rose、Oliver Speck、およびAndreas Koflerらによって行われ、2023年のIEEE Transactions on Biomedical Engineeringに発表されました。本研究は、物理知識と深層学習を組み合わせることで、低磁場MRI画像における歪みやノイズの問題を解決し、画像の質と診断精度を向上させることを目的としています。

研究方法： SH-Netのアーキテクチャ

本研究では、展開型ニューラルネットワークに基づくモデル駆動画像再構成法、SH-Net（Spherical Harmonic Network）を提案しました。これは球面調和係数を推定することにより空間磁場画像の平滑性を保証します。このネットワークはエンドツーエンドで訓練可能なモデルを介してB0磁場画像と画像再構成を連続的に推定します。人間の膝関節の低磁場データを使用して回顧的シミュレーションを行い、異なるノイズレベルとさまざまなB0磁場分布下でのモデルのパフォーマンスを他のモデル駆動方法と比較しました。

具体的な手順は以下の通りです：

  1. データ取得と前処理： 本研究では、FastMRIデータセットからの三次元単一コイルスピンエコー膝関節取得データを使用しました。各サンプルから1つの二次元スライスを選択し、合計973個の異なる複素数値サンプルを得ました。訓練、検証、およびテスト段階でそれぞれ1260（70%）、360（20%）そして180（10%）の画像を生成しました。

  2. SH-Netのアーキテクチャ設計： SH-Netは複素数値入力画像の球面調和係数を推定するためにコーディングパスを通じて特定しました。固定数の16チャネルを持つ特徴量に投影し、全結合層を介して係数を球面調和係数にマッピングします。ネットワークは5次以下の係数を生成することを目的としており、これにより磁場画像を十分に記述できます。

  3. 正則化項ニューラルネットワーク： 本研究では場画像推定と画像除去のために異なるニューラルネットワークアーキテクチャを2つ使用しました。除去の場合、残差接続を持つU形のネットワーク（U-Net）を使用しました。仮に良好な場画像推定があるとすると、幾何学的ゆがみが修正されたB0磁場画像を用いてU-Netで画像のノイズ除去を行います。

  4. 最適化戦略： 改良されたアルゴリズムは磁場画像と画像に対する2つの交替する小問題に分かれます。訓練効率を向上させるため、ニューラルネットワークの事前訓練戦略を採用し、それぞれの関連タスクに対してSH-NetとU-Netを事前訓練し、その後エンドツーエンドの訓練を行いました。

  5. 実験設計： 交替数の異なる実験を行い、交替最適化の再構築結果への影響を調査しました。事前訓練されたニューラルネットワークはAdamオプティマイザーを使用し、訓練中に正則化係数を最適化しました。最終的に、t=3交替数を最適として後続の結果分析に使用しました。

研究結果：

  1. 場画像推定結果： 異なるノイズレベル下で、SH-Netは平均絶対誤差（MAE）が非常に低く、位相差画像および既存の残差畳み込みニューラルネットワーク（ORN）方法を大きく上回りました。全磁場画像範囲でのMAEは324.7±145.3Hz（σ_y=0.2）であり、関心領域（ROI）内ではさらに低い誤差を示しました。

  2. 画像再構成結果： エンドツーエンド訓練の展開最適化アルゴリズムとB0未知のFFT再構成、連結モデル、二重モデル方法を比較しました。以下に異なるノイズレベルでの再構成指標を示します：

    • RMSE（平均二乗根誤差）： σ_y=0.2において、SH-Net訓練法のRMSEは0.1386であり、連結および二重モデル方法を顕著に下回りました。
    • PSNR（ピーク信号対雑音比）： σ_y=0.2において、SH-Net方法のPSNRは28.058であり、他の方法よりも高かった。
    • SSIM（構造類似性指数）： σ_y=0.2において、SH-Net方法のSSIMは0.6906であり、他の方法を大きく上回りました。

  3. 総合比較： 定量指標および再構成画像の視覚品質を総合すると、SH-Net方法は幾何学的ゆがみの修正や画像信号対雑音比の向上において卓越しており、特にノイズが高い場合に優れた安定性およびロバスト性を示しています。

結論と意義：

本研究は、低磁場MRIに向けた新しい画像再構成方法を提案し、物理知識と深層学習を組み合わせることで、B0不均一性の修正と画像信号対雑音比の向上において顕著な成果を達成しました。この方法は単回スキャンにも適用でき、取得時間の短縮を実現し、実際の臨床応用において重要な可能性を持っています。今後、非カルテシアン軌道や実測低磁場MRIデータへの拡張が期待されます。

ハイライト：

  • SH-Netのネットワークアーキテクチャの革新性は、物理駆動型深層学習方法を通じて磁場画像の空間平滑性を保証します。
  • 効率的な連続最適化戦略により、磁場画像および画像の再構成のロバスト性および精度を大幅に向上しました。
  • 異なるノイズレベルと複雑な磁場画像の状況下で、SH-Net方法は優れた性能を示し、低磁場MRIの応用において広範な適用性を証明しました。