Physics-informed Deep Diffusion MRI Reconstruction with Clinical Data Evaluation: Break Training Data Bottleneck in Artificial Intelligence

要約

拡散磁気共鳴画像法 (MRI) は、生体内水分子の動きを非侵襲的に検出するための唯一の画像診断モダリティであり、重要な臨床および研究用途があります。
マルチショット技術によって取得された拡散 MRI (DWI) は、シングルショットよりも高い解像度、優れた信号対雑音比、および低い幾何学的歪みを実現できますが、ショット間の動きによって誘発されるアーチファクトが発生します。
これらのアーティファクトは将来に向けて削除することができないため、アーティファクトのないトレーニング ラベルが存在しなくなります。
したがって、マルチショット DWI 再構成におけるディープラーニングの可能性は、ほとんど未開発のままです。
トレーニング データのボトルネックを打破するために、ここでは物理拡散モデル (振幅合成) とショット間運動誘起位相モデル (
モーションフェーズ合成）。
このネットワークは 100,000 個の合成サンプルを使用して 1 回だけトレーニングされ、複数の現実的な in vivo データ再構成で有望な結果が得られます。
従来の方法と比較した利点は次のとおりです。(a) モーション アーチファクトの抑制と再構成の安定性が向上します。
(b) マルチ解像度、マルチ b 値、マルチアンダーサンプリング、マルチベンダー、マルチセンターなどのマルチシナリオ再構成に対する優れた一般化。
(c) 7 人の経験豊富な医師による検証による患者への優れた臨床適応性 (p<0.001)。 結論として、PIDD は MRI 物理学の力を活用することで新しいディープ ラーニング フレームワークを提示し、ディープ ラーニング医用画像処理におけるデータ ボトルネックを打破する費用対効果が高く、説明可能な方法を提供します。

要約(オリジナル)

Diffusion magnetic resonance imaging (MRI) is the only imaging modality for non-invasive movement detection of in vivo water molecules, with significant clinical and research applications. Diffusion MRI (DWI) acquired by multi-shot techniques can achieve higher resolution, better signal-to-noise ratio, and lower geometric distortion than single-shot, but suffers from inter-shot motion-induced artifacts. These artifacts cannot be removed prospectively, leading to the absence of artifact-free training labels. Thus, the potential of deep learning in multi-shot DWI reconstruction remains largely untapped. To break the training data bottleneck, here, we propose a Physics-Informed Deep DWI reconstruction method (PIDD) to synthesize high-quality paired training data by leveraging the physical diffusion model (magnitude synthesis) and inter-shot motion-induced phase model (motion phase synthesis). The network is trained only once with 100,000 synthetic samples, achieving encouraging results on multiple realistic in vivo data reconstructions. Advantages over conventional methods include: (a) Better motion artifact suppression and reconstruction stability; (b) Outstanding generalization to multi-scenario reconstructions, including multi-resolution, multi-b-value, multi-undersampling, multi-vendor, and multi-center; (c) Excellent clinical adaptability to patients with verifications by seven experienced doctors (p<0.001). In conclusion, PIDD presents a novel deep learning framework by exploiting the power of MRI physics, providing a cost-effective and explainable way to break the data bottleneck in deep learning medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google