Auswertung unterschiedlicher K-Space Abtastungen in Kombination mit iterativer und Deep Learning Bildrekonstruktion für schnelles Multi-Parameter Mapping (MPM)

Die etablierten Ansätze mikrostrukturelle Bildgebung basierend auf quantitativen Multiparameterkarten (MPM, (Vaculčiaková et al., 2022)) zu beschleunigen beruhen auf kartesischer K-Raum Abtastung. Die Bildrekonstruktion der zugrunde liegenden multi-Echo Gradientenecho (ME-GRE) Daten wird getrennt für jedes Echo ausgeführt. In dieser Studie haben wir verschiedene Unterabtastungen des K-Raums exploriert z.B. elliptisch- Poisson verteiltes Compressed Sensing (CS) und CAIPIRINHA im Vergleich zu kartesischer Abtastung mit gleichbleibendem Abstand. Die Leistungsfähigkeit von iterativer Bildrekonstruktion (ENLIVE, (Holme et al., 2019)) und DeepcomplexMRI (DCMRI, (Wang et al., 2020)) basierend auf maschinellem Lernen wurden verglichen.

MPM Datensätze (Ein paar von Protonen- und T1-gewichteten 3D ME-GRE Aufnahmen mit 8 gleichmäßig verteilten Echos) mit vollständig abgetastetem K-Raum in 1mm isotropischer Auflösung wurden unter Einsatz von prospektiver Bewegungskorrektur von elf gesunden Proband*innen in einem 3 Tesla MRT erstellt. Die Daten wurden in Leserichtung Fourier transformiert, um einen Stapel 2D K-Raum Schichten zu erhalten. Die 2D K- Raum Schichten jedes Bildvolumens wurden getrennt verarbeitet, retrospektiv Unterabgetastet und mit allen 8 Echos zusammen als Eingabe für die verschiedenen Rekonstruktionsalgorithmen verwendet. Der Datensatz einer Versuchsperson wurde für die finale Auswertung zurückgehalten. Die Rekonstruktionsergebnisse wurden gegen die Wurzel-der-Quadratsummen Spulen-kombinierten Referenzdaten im Bezug auf Spitzen-Signal-zu- Rausch-Verhältnis (PSNR), Strukturelle Ähnlichkeit (SSIM) und qualitatives Bildaussehen verglichen.

ENLIVE wurde mit Standardparametern und 12 Iterationen angewendet, was auf unserem 128 Kern Rechensystem etwa 40 Minuten pro Bildvolumen benötigte. DCMRI wurde angepasst, um alle 8 Echos gleichzeitig zu verarbeiten, indem zusätzliche Eingabe-/Ausgabedimensionen eingefügt und die notwendigen Datenvorverarbeitungsschritte geändert wurden. Für alle Residual-Blocks wurden die Convolution-Filter (Faltungsfilter) der Hidden- Layer auf 64 Ausgabekanäle modifiziert. Das Training wurde separat für die verschiedenen K-Raum Abtastungen durchgeführt und dauerte auf den verwendeten High-Performance-Computing Rechenknoten mit 4x NVIDIA A100 GPUs (40 GB HBM2 Speicher) jeweils etwa 12 Stunden.

Mit den trainierten Neuronalen Netzen wurde die Inferenz für jedes Bildvolumen in weniger als 4 Minuten auf einer einzelnen GPU durchgeführt. Insgesamt war die Qualität der rekonstruierten Bilder recht hoch, selbst bei 9-facher Unterabtastung (siehe Bild). Durchschnittliches PSNR uns SSIM waren zwischen den verschiedenen Abtastmethoden und Rekonstruktionsalgorithmen vergleichbar. Ein stärkerer Abfall der Metriken mit steigender Unterabtastung wurde bei DCMRI beobachtet. Eine mögliche Erklärung ist fehlende Robustheit von DCMRI gegenüber sehr verrauschten Daten.

Dies könnte durch Ergänzung von Batch Normalization oder Dropout Schichten und möglicherweise einer stärkeren Fokussierung auf den Bildvordergrund beim Training behoben werden. Unabhängig von der Methode wurde ein ähnlich starker Qualitätsverlust für lange Echo-Zeiten beobachtet (siehe Graph PSNR/SSIM über Echo). Die visuelle Inspektion offenbarte, dass kartesische und CAIPIRINHA Abtastung mehr strukturierte Artefakte provozierten, besonders bei Verwendung der DCMRI Rekonstruktion (siehe Differenzbilder). ENLIVE zeigte die Tendenz Rauschen zu verstärken und die mittlere Bildintensität von Schichten mit wenig Bildinhalt zu verschieben, was zu sichtbaren Streifen am oberen und unteren Bildende im Frontal- und Sagittalschnitt führt (siehe Beispielbilder in verschiedenen Schnittebenen).

Wir haben ENLIVE als stand der Technik mit multi-Echo DCMRI verglichen. Die Ergebnisse zeigten eine hohe Qualität der rekonstruierten Bilder selbst bei 9-facher Unterabtastung. Die sehr viel kürzere Rekonstruktionszeit von DCMRI ebnet den Weg für die routinemäßige Anwendungen in Bereichen mit hohem Durchsatz und eine visuellen Begutachtung der MPM-Bilder bereits an der Scannerkonsole. Die weitergehende Arbeit wird sich mit der Untersuchung der qualitativen Auswirkung der gemeinsamen Verarbeitung aller Echos in DCMRI und ENLIVE bei der Berechnung der MPMs und der Anwendung von DCMRI bei der Bildrekonstruktion hochaufgelöster Daten beschäftigen, die bisher besonders von langen Rechenzeiten betroffen ist.

Referenzen

Vaculciakova, L.; Podranski, K.; Edwards, L.; Ocal, D.; Veale, T.; Fox, N. C.; Haak, R.; Ehses, P.; Callaghan, M. F.; Pine, K. et al.; Weiskopf, N.: Combining navigator and optical prospective motion correction for high-quality 500 μm resolution quantitative multi-parameter mapping at 7T. Magnetic Resonance in Medicine 88 (2), S. 787 - 801 (2022)
Holme, H.C.M., Rosenzweig, S., Ong, F., Wilke, R.N., Lustig, M., & Uecker, M.
ENLIVE: An Efficient Nonlinear Method for Calibrationless and Robust Parallel Imaging.
Scientific Reports, 9(1), 1–13. (2019)
Wang, S., Cheng, H., Ying, L., Xiao, T., Ke, Z., Zheng, H., & Liang, D.
DeepcomplexMRI: Exploiting deep residual network for fast parallel MR imaging with complex convolution.
Magnetic Resonance Imaging, 68, 136–147 (2020)

Weitere interessante Beiträge

Zur Redakteursansicht