Multi-delay arterial spin-labeled perfusion estimation with biophysics simulation and deep learning

要約

目的: 深層学習を使用して動脈スピン ラベリング (ASL) 画像から灌流 Q を推定するための生物物理学に基づく方法を開発します。
方法: 3D U-Net (QTMnet) は、4D トレーサー伝播画像から灌流を推定するように訓練されました。
このネットワークは、制約付き構成最適化 (CCO) 法によって生成された人工血管構造に基づいてシミュレートされた 4D トレーサー濃度データに基づいてトレーニングおよびテストされました。
訓練されたネットワークは、磁気共鳴 (MR) 血管造影から抽出された血管系ネットワークに基づく合成脳 ASL 画像でさらにテストされました。
訓練されたネットワークと従来の運動モデルの両方からの推定値が、8 人の健康なボランティアから取得された ASL 画像で比較されました。
結果: QTMnet は濃度データから灌流 Q を正確に再構築しました。
合成脳 ASL 画像の相対誤差は灌流 Q に対して 7.04% であり、単一遅延 ASL モデルを使用した誤差 (Q に対して 25.15%)、および複数遅延 ASL モデルを使用した誤差よりも低かった: 灌流 Q に対して 12.62% でした。 結論: QTMnet は正確な推定を提供します。
これは、臨床 ASL MRI 画像処理パイプラインとして有望なアプローチです。

要約(オリジナル)

Purpose: To develop biophysics-based method for estimating perfusion Q from arterial spin labeling (ASL) images using deep learning. Methods: A 3D U-Net (QTMnet) was trained to estimate perfusion from 4D tracer propagation images. The network was trained and tested on simulated 4D tracer concentration data based on artificial vasculature structure generated by constrained constructive optimization (CCO) method. The trained network was further tested in a synthetic brain ASL image based on vasculature network extracted from magnetic resonance (MR) angiography. The estimations from both trained network and a conventional kinetic model were compared in ASL images acquired from eight healthy volunteers. Results: QTMnet accurately reconstructed perfusion Q from concentration data. Relative error of the synthetic brain ASL image was 7.04% for perfusion Q, lower than the error using single-delay ASL model: 25.15% for Q, and multi-delay ASL model: 12.62% for perfusion Q. Conclusion: QTMnet provides accurate estimation on perfusion parameters and is a promising approach as a clinical ASL MRI image processing pipeline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google