Robust Quantitative Susceptibility Mapping via Approximate Message Passing

要約

目的: 位相エラーが存在する場合に QSM を回復することは困難でした。これは、ノイズまたは脳出血および石灰化の場合の強い局所的な感受性シフトによって引き起こされる可能性があります。
2 成分ガウス混合分布を使用してロングテール ノイズ (エラー) 分布をモデル化し、自動および適応パラメーター推定を使用して近似メッセージ パッシング (AMP) アルゴリズムを設計する、QSM のベイジアン定式化を提案します。
理論: 感受率マップのウェーブレット係数は、ラプラス分布に従います。
測定ノイズは、2 番目のガウス成分がノイズの外れ値をモデル化する 2 成分ガウス混合分布に従います。
分布パラメータは未知の変数として扱われ、AMP を使用して感受性とともに回復されます。
方法: 提案された AMP とパラメーター推定 (AMP-PE) を、L1 ノルムと L2 ノルムのデータ忠実度項をそれぞれ採用する最先端の非線形 L1-QSM および MEDI アプローチと比較します。
3 つのアプローチは、QSM チャレンジ 2.0 からの Sim2Snr1 データ、健康スキャンと出血スキャンの両方からの in vivo データでテストされます。
結果: シミュレートされた Sim2Snr1 データセットでは、AMP-PE が最も低い NRMSE と SSIM を達成し、MEDI が最も低い HFEN を達成し、さまざまなローカル評価指標に関しては、各アプローチにも独自の強みがあります。
in vivo データセットでは、AMP-PE は L1-QSM や MEDI よりも構造の詳細を維持し、ストリーキング アーティファクトを除去するのに優れています。
結論: カスタマイズされた混合ガウス ノイズ プライアを活用することで、AMP-PE は、出血や石灰化を伴う困難な QSM ケースでより優れたパフォーマンスを実現します。
組み込みのパラメーター推定が装備されており、生体内再構成の通常の視覚的な微調整ステップからの主観的なバイアスを回避します。

要約(オリジナル)

Purpose: It has been challenging to recover QSM in the presence of phase errors, which could be caused by the noise or strong local susceptibility shifts in cases of brain hemorrhage and calcification. We propose a Bayesian formulation for QSM where a two-component Gaussian-mixture distribution is used to model the long-tailed noise (error) distribution, and design an approximate message passing (AMP) algorithm with automatic and adaptive parameter estimation. Theory: Wavelet coefficients of the susceptibility map follow the Laplace distribution. The measurement noise follows a two-component Gaussian-mixture distribution where the second Gaussian component models the noise outliers. The distribution parameters are treated as unknown variables and jointly recovered with the susceptibility using AMP. Methods: The proposed AMP with parameter estimation (AMP-PE) is compared with the state-of-the-art nonlinear L1-QSM and MEDI approaches that adopt the L1-norm and L2-norm data-fidelity terms respectively. The three approaches are tested on the Sim2Snr1 data from QSM challenge 2.0, the in vivo data from both healthy and hemorrhage scans. Results: On the simulated Sim2Snr1 dataset, AMP-PE achieved the lowest NRMSE and SSIM, MEDI achieved the lowest HFEN, and each approach also has its own strong suit when it comes to various local evaluation metrics. On the in vivo dataset, AMP-PE is better at preserving structural details and removing streaking artifacts than L1-QSM and MEDI. Conclusion: By leveraging a customized Gaussian-mixture noise prior, AMP-PE achieves better performance on the challenging QSM cases involving hemorrhage and calcification. It is equipped with built-in parameter estimation, which avoids subjective bias from the usual visual fine-tuning step of in vivo reconstruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google