Accelerated Proton Resonance Frequency-based Magnetic Resonance Thermometry by Optimized Deep Learning Method

要約

集束超音波（FUS）熱アブレーション治療には、プロトン共鳴周波数（PRF）ベースのMR温度計測が不可欠である。本研究は、改良されたディープラーニング法を用いて、動的MR温度マップ再構成における時間分解能を向上させることを目的とする。トレーニング最適化手法と5つの古典的ニューラルネットワークを、温度マップを再構成するために、2倍および4倍のアンダーサンプリングk空間データに適用した。強化された学習モジュールには、オフライン/オンラインデータ増強、知識蒸留、振幅位相デカップリング損失関数が含まれた。加熱実験は、ファントム組織と生体外組織に対して、それぞれFUSトランスデューサーによって行われた。これらのデータは加速手順を模倣するために手動でアンダーサンプリングされ、再構成モデルを得るために我々の手法で学習された。リアルタイムの性能と温度精度を評価するために、さらに十数個のテスト用データセットを別途入手した。2倍と4倍のk空間アンダーサンプリング戦略では、1.9と3.7の加速係数が得られ、ResUNetベースのディープラーニングによる再構成は非常に優れた性能を発揮した。2倍加速シナリオでは、温度マップパッチのRMSEは、ファントムと生体外テストデータセットで0.888℃と1.145℃の値を示した。摂氏43度の等温線に囲まれた温度領域のDICE値は0.809であり、Bland-Altman分析では摂氏-0.253度のバイアスがあり、プラスマイナス2.16度の誤差があった。4回のアンダーサンプリングの場合、これらの評価値は約10％減少した。本研究は、ディープラーニングに基づく再構成が、臨床FUS温熱療法のためのMR温度測定の精度と効率を大幅に向上させることができることを示している。

要約(オリジナル)

Proton resonance frequency (PRF) based MR thermometry is essential for focused ultrasound (FUS) thermal ablation therapies. This work aims to enhance temporal resolution in dynamic MR temperature map reconstruction using an improved deep learning method. The training-optimized methods and five classical neural networks were applied on the 2-fold and 4-fold under-sampling k-space data to reconstruct the temperature maps. The enhanced training modules included offline/online data augmentations, knowledge distillation, and the amplitude-phase decoupling loss function. The heating experiments were performed by a FUS transducer on phantom and ex vivo tissues, respectively. These data were manually under-sampled to imitate acceleration procedures and trained in our method to get the reconstruction model. The additional dozen or so testing datasets were separately obtained for evaluating the real-time performance and temperature accuracy. Acceleration factors of 1.9 and 3.7 were found for 2 times and 4 times k-space under-sampling strategies and the ResUNet-based deep learning reconstruction performed exceptionally well. In 2-fold acceleration scenario, the RMSE of temperature map patches provided the values of 0.888 degree centigrade and 1.145 degree centigrade on phantom and ex vivo testing datasets. The DICE value of temperature areas enclosed by 43 degree centigrade isotherm was 0.809, and the Bland-Altman analysis showed a bias of -0.253 degree centigrade with the apart of plus or minus 2.16 degree centigrade. In 4 times under-sampling case, these evaluating values decreased by approximately 10%. This study demonstrates that deep learning-based reconstruction can significantly enhance the accuracy and efficiency of MR thermometry for clinical FUS thermal therapies.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL