ディープラーニングを用いた動脈スピンラベリングMRIにおける非ノイズ化と過渡的アーティファクトの抑制の複合化

Combined Denoising and Suppression of Transient Artifacts in Arterial Spin Labeling MRI Using Deep Learning.

• Patrick W Hales
• Josef Pfeuffer
• Chris A Clark

抄録

背景:

動脈スピンラベリング（ASL）は、脳血流（CBF）を測定するための有用なツールである。しかし、この手法のS/N比（SNR）が低いため、複数回の繰り返しが必要となり、結果としてスキャン時間が長くなり、アーチファクトの影響を受けやすくなる。

BACKGROUND: Arterial spin labeling (ASL) is a useful tool for measuring cerebral blood flow (CBF). However, due to the low signal-to-noise ratio (SNR) of the technique, multiple repetitions are required, which results in prolonged scan times and increased susceptibility to artifacts.

目的:

ASL画像の非ノイズ化と過渡的アーチファクトの抑制を同時に行うための深層学習ベースのアルゴリズムを開発する。

PURPOSE: To develop a deep-learning-based algorithm for simultaneous denoising and suppression of transient artifacts in ASL images.

研究の種類:

レトロスペクティブ。

STUDY TYPE: Retrospective.

サブジェクト:

モデルトレーニングには131人の小児神経腫瘍患者を、モデル評価には11人の健康な成人患者を使用しました。

SUBJECTS: 131 pediatric neuro-oncology patients for model training and 11 healthy adult subjects for model evaluation.

フィールドの強さ/期間:

3T / 3D勾配とスピンエコー読み出しを用いた疑似連続およびパルスASL。

FIELD STRENGTH/SEQUENCE: 3T / pseudo-continuous and pulsed ASL with 3D gradient-and-spin-echo readout.

評価:

デノイジングオートエンコーダー（DAE）モデルは、エンコーディング/デコーディング畳み込み層を積層して設計された。基準となる標準画像は、10枚のペアワイズASL減算画像を平均化して生成した。モデルは、単一の減算画像を用いて同程度の品質の灌流画像を生成するように訓練された。性能は、ガウスおよび非局所的平均（NLM）フィルタと比較した。評価指標には、CBF画像のSNR、ピークSNR（PSNR）、構造類似度指数（SSIM）が含まれ、参照標準と比較した。

ASSESSMENT: A denoising autoencoder (DAE) model was designed with stacked encoding/decoding convolutional layers. Reference standard images were generated by averaging 10 pairwise ASL subtraction images. The model was trained to produce perfusion images of a similar quality using a single subtraction image. Performance was compared against Gaussian and non-local means (NLM) filters. Evaluation metrics included SNR, peak SNR (PSNR), and structural similarity index (SSIM) of the CBF images, compared to the reference standard.

統計的試験:

グループ比較のための一方向分散分析(ANOVA)検定。

STATISTICAL TESTS: One-way analysis of variance (ANOVA) tests for group comparisons.

結果:

DAEモデルは、生の画像と比較してSNRが有意に増加し（P<0.05）、平均SNRが62%増加した唯一のモデルでした。DAEモデルは過渡的なアーチファクトの抑制にも効果的であり、PSNR値を用いて評価したように、生成されたCBF画像の精度に有意な改善を示した唯一のモデルでした（P<0.05）。さらに、複数の流入時間取得からのデータを使用して、DAE画像はBuxton運動論モデルに最もフィットし、生の画像と比較してフィット誤差を75%減少させました。

RESULTS: The DAE model was the only model to produce a significant increase in SNR compared to the raw images (P < 0.05), providing an average SNR gain of 62%. The DAE model was also effective at suppressing transient artifacts, and was the only model to show a significant improvement in accuracy in the generated CBF images, as assessed using PSNR values (P < 0.05). In addition, using data from multiple inflow time acquisitions, the DAE images produced the best fit to the Buxton kinetic model, offering a 75% reduction in the fitting error compared to the raw images.

データの結論:

ディープラーニングベースのアルゴリズムは、生のASL画像のSNRの向上とアーチファクト信号の抑制を同時に行うことができるため、ASL画像のノイズ除去の際に優れた精度を発揮します。

DATA CONCLUSION: Deep-learning-based algorithms provide superior accuracy when denoising ASL images, due to their ability to simultaneously increase SNR and suppress artifactual signals in raw ASL images.

証拠レベル:

3 技術的有効性の段階: 1.

LEVEL OF EVIDENCE: 3 TECHNICAL EFFICACY STAGE: 1.

© 2020 The Authors. Journal of Magnetic Resonance Imaging published by Wiley Periodicals, Inc. on behalf of International Society for Magnetic Resonance in Medicine.