Temporally Adjustable Longitudinal Fluid-Attenuated Inversion Recovery MRI Estimation / Synthesis for Multiple Sclerosis

要約

多発性硬化症 (MS) は、脳の白質における病変の発生を特徴とする慢性進行性神経疾患です。
T2 流体減衰反転回復 (FLAIR) 脳磁気共鳴画像法 (MRI) は、他の MRI モダリティと比較して、MS 病変の優れた視覚化と特徴付けを提供します。
MS における縦方向の脳 FLAIR MRI は、長期にわたって患者を繰り返し画像化することを含み、臨床医が疾患の進行を監視するのに役立つ情報を提供します。
可変タイム ラグで将来の全脳 MRI 検査を予測することは、健康的な老化やアルツハイマー病における構造的変性など、限られた用途でしか試みられていません。
この記事では、柔軟な連続的な方法で縦方向の画像の予測をサポートするために、MS FLAIR 画像合成のディープ ラーニング アーキテクチャに対する新しい変更を紹介します。
これは、学習された転置畳み込みによって実現されます。これは、さまざまな空間位置で可変時間プロパティを持つ空間的に分散された配列として時間をモデリングすることをサポートします。
したがって、このアプローチは、空間固有の時間依存の脳の発達を理論的にモデル化することができ、MS 脳病変の部位などの適切な物理的位置でのより急速な成長のモデリングをサポートします。
このアプローチは、臨床医のユーザーが、予測される検査の対象となる未来を定義することもサポートします。
今後の一連の画像処理を正確に予測することで、患者の予後が不良になる可能性があることを臨床医に知らせることができます。これにより、早期治療と予後改善に貢献できる可能性があります。
4 つの異なる深層学習アーキテクチャが開発されています。
ISBI2015 縦断 MS データセットを使用して、提案されたアプローチを検証および比較しました。
結果は、修正された ACGAN が最高のパフォーマンスを達成し、モデルの精度のばらつきを低減することを示しています。

要約(オリジナル)

Multiple Sclerosis (MS) is a chronic progressive neurological disease characterized by the development of lesions in the white matter of the brain. T2-fluid-attenuated inversion recovery (FLAIR) brain magnetic resonance imaging (MRI) provides superior visualization and characterization of MS lesions, relative to other MRI modalities. Longitudinal brain FLAIR MRI in MS, involving repetitively imaging a patient over time, provides helpful information for clinicians towards monitoring disease progression. Predicting future whole brain MRI examinations with variable time lag has only been attempted in limited applications, such as healthy aging and structural degeneration in Alzheimer’s Disease. In this article, we present novel modifications to deep learning architectures for MS FLAIR image synthesis, in order to support prediction of longitudinal images in a flexible continuous way. This is achieved with learned transposed convolutions, which support modelling time as a spatially distributed array with variable temporal properties at different spatial locations. Thus, this approach can theoretically model spatially-specific time-dependent brain development, supporting the modelling of more rapid growth at appropriate physical locations, such as the site of an MS brain lesion. This approach also supports the clinician user to define how far into the future a predicted examination should target. Accurate prediction of future rounds of imaging can inform clinicians of potentially poor patient outcomes, which may be able to contribute to earlier treatment and better prognoses. Four distinct deep learning architectures have been developed. The ISBI2015 longitudinal MS dataset was used to validate and compare our proposed approaches. Results demonstrate that a modified ACGAN achieves the best performance and reduces variability in model accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google