Quantitative susceptibility mapping (QSM): comparison of two echo time combination methods, denoising by image quality transfer learning, reconstruction using deep learning in the presence of fat, and development of an atlas-based evaluation pipeline
Quantitative susceptibility mapping (QSM): comparison of two echo time combination methods, denoising by image quality transfer learning, reconstruction using deep learning in the presence of fat, and development of an atlas-based evaluation pipeline
A plain-language reading has not been prepared for this paper yet.
Original abstract
Hintergrund und Ziele: Mithilfe der quantitativen Suszeptibilitätskartierung (QSM) kann die Verteilung der magnetischen Suszeptibilität des Gewebes mittels Magnetresonanztomografie (MRT) rekonstruiert werden und somit z.B. auf Unterschiede im Gehalt von Eisen, Myelin oder Calcium geschlossen werden. Durch neue Deep Learning Verfahren konnte gezeigt werden, dass auch die Rekonstruktionsalgorithmen der QSM-Pipeline gelernt und beschleunigt werden können. Methoden: In dem ersten von vier Projekten dieser Arbeit wurde der Einfluss zweier Echozeitkombinationsmethoden auf die Suszeptibilitätskarten des menschlichen Gehirns bei 3 T und 7 T untersucht. Dabei wurden die Phasenkarten von zwölf gesunden Probanden, die bei 3 T und 7 T gemessen wurden, untersucht und entweder vor der QSM-Rekonstruktionspipeline oder danach gemittelt. Im zweiten Projekt wurden drei verschiedene Deep Learning Methoden verwendet, um den Kontrast von 3 T Suszeptibilitätskarten zu verbessern, indem die Netzwerke jeweils registrierte Datenpaare von Suszeptibilitätskarten bei 3 T und 7 T als Eingangs- bzw. Zieldaten erhalten haben. Ziel war es, eine Art smartes Entrauschen zu lernen, bei dem die Netzwerke die typischen Bildeigenschaften einer 7 T Suszeptibilitätskarte erkennen sollten. Dazu wurden ein UNET, ein CycleGAN und ein ConditionalGAN (CondGAN) Netzwerk jeweils für einen Tag trainiert. Als drittes Projekt wurde ein UNET mit synthetischen Daten trainiert, um die Rekonstruktion von Suszeptibilitätskarten aus phasensprungkorrigierten Phasenkarten zu lernen. Erweiternd zum bereits publizierten DeepQSM wurde zudem die chemische Verschiebung in den Daten mitsimuliert. Im vierten Projekt wurde eine Studie zur Differenzierung der Multiplen Systematrophie (MSA) und der Parkinsonkrankheit reevaluiert und eine semiautomatisierte Auswertungsmethode mittels eines Atlas getestet. Von den 30 Patienten (13 MSA, 8 Parkinson und 9 gesunde Kontrollen), die bei 3 T gemessen wurden, wurden Suszeptibilitätskarten erzeugt, aus denen ein Atlas generiert wurde, und diese in zehn Gehirnregionen untersucht. Eine manuelle Segmentierung wurde mit der atlasbasierten Methode verglichen, bei der nur einmal auf dem Atlas segmentiert werden muss. Ergebnisse und Beobachtungen: Es zeigte sich, dass die Rekonstruktion von Suszeptibilitätskarten für jede Echozeit (Mittelung nach der QSM-Rekonstruktionspipeline) von Experten als Echozeitkombinationsmethode besser beurteilt wurde, weniger Artefakte und Rauschen sowie einen besseren Korrelationskoeffizienten zwischen 3 T und 7 T (0,65 vs. 0,46) aufwies. Beim Bildqualitätstransferlernen (zweites Projekt) wurden die Validierungsdatensätze des UNETs von den Experten am besten bewertet, neigten jedoch etwas zur Überglättung, sodass manche Strukturen schlechter sichtbar waren. Der Korrelationskoeffizient mit der ursprünglichen 3 T Suszeptibilitätskarte war mit 0,93 bei CycleGAN höher als bei UNET (0,86). Im dritten Projekt eignete sich das UNET im Vergleich zu einer konventionellen Methode mit Fett-Wasser-Trennung am besten, um möglichst artefaktfreie und hochqualitative Suszeptibilitätskarten in unter 10 s zu rekonstruieren, und die quadratische Mittelwertabweichung in synthetischen Daten war mit 0,123 ppm weniger als halb so gering wie bei der konventionellen Methode (0,292 ppm). Zudem zeigte sich beim UNET optisch die beste Übereinstimmung bei I-125 Seeds eines Patienten, welcher eine Brachytherapie erhielt, mit den Bildern einer Computertomografieaufnahme. Im vierten Projekt, dem Vergleich einer atlasbasierten Methode mit einer manuellen Segmentierung, wurde für alle Gehirnregionen ein mittlerer Dice-Koeffizient von 0,73 zwischen den beiden Methoden berechnet. Bei den Gruppenunterschieden in den einzelnen Gehirnregionen ergaben sich die gleichen signifikanten Unterschiede bei beiden Methoden, und die Fläche unter der Kurve war bei der atlasbasierten Methode meist nur minimal geringer (durchschnittlich 0,03 bei der Differenzierung zwischen MSA und den gesunden Kontrollen). Schlussfolgerungen und Diskussion: Die Mittelung von Suszeptibilitätskarten war im Vergleich der beiden Echozeitkombinationsmethoden am besten (bessere Bewertung und höherer Korrelationskoeffizient zwischen 3 T und 7 T), sodass diese Methode in den folgenden Projekten verwendet wurde. Um ein smartes Entrauschen durch Deep Learning zu erreichen, wird von den hier untersuchten Methoden je nach Anwendung das UNET oder das CycleGAN empfohlen, da diese am besten bewertet wurden und eine hohe Korrelation mit den 3 T Daten aufwiesen. Ein UNET eignet sich auch sehr gut, um in Anwesenheit von Fett Suszeptibilitätskarten des Beckens und des Knies zu erzeugen, und kann potentiell bei der Identifikation von I-125 Seeds in der Prostata als automatisierte Alternative, welche ohne den Einsatz von ionisierender Strahlung auskommt, zu konventionellen Methoden angewandt werden. Die atlasbasierte Auswertungsmethode ist eine gute Methode, um mit nur geringem manuellem Segmentierungsaufwand bei fast gleicher Sensitivität und Spezifität im Vergleich zu einer manuellen Segmentierung eine Studie zur Differenzierung von MSA und Parkinson auszuwerten und dabei systematische Fehler zu minimieren und flexible Definitionen der anatomischen Regionen innerhalb des Studienverlaufs zu ermöglichen. Background and objectives: Using quantitative susceptibility mapping (QSM), the distribution of magnetic susceptibility of tissue can be reconstructed by magnetic resonance imaging (MRI) and thus, for example, differences in the content of iron, myelin or calcium can be detected. With new deep learning techniques, it was shown that the reconstruction algorithms of the QSM pipeline can also be learned and accelerated. Methods: In the first of four projects in this thesis, the influence of two echo time combination methods on human brain susceptibility maps at 3 T and 7 T was investigated. Phase maps of twelve healthy subjects measured at 3 T and 7 T were examined and averaged either before the QSM reconstruction pipeline or after. In the second project, three different deep learning methods were used to improve the contrast of 3 T susceptibility maps by giving the networks registered pairs of susceptibility maps at 3 T and 7 T as input and target data, respectively. The goal was to learn a form of smart denoising in which the networks would recognize the typical image features of a 7 T susceptibility map. To this end, a UNET, a CycleGAN, and a ConditionalGAN (CondGAN) network were each trained for one day. The third project was to train a UNET with synthetic data to learn the reconstruction of susceptibility maps from phase unwrapped phase maps. Extending the previously published DeepQSM, the chemical shift was also simulated in the data. Parkinson’s disease (PD) and tested a semiautomated evaluation method using an atlas. Susceptibility maps were generated from the 30 patients (13 MSA, 8 PD, and 9 healthy controls) measured at 3 T, from which an atlas was generated, and which were examined in ten brain regions. A manual segmentation was compared with the atlas-based method, which requires segmentation only one time on the atlas. Results and observations: It was found that the echo time combination method which reconstructs susceptibility maps for each echo time (averaging after the QSM reconstruction pipeline) was better judged by experts, had fewer artifacts and noise, and a better correlation coefficient between 3 T and 7 T (0.65 vs. 0.46). In the image quality transfer learning (second project), the UNET validation datasets were rated best by the experts, but tended to be oversmoothed, making some structures less visible. The correlation coefficient with the original 3 T susceptibility map was higher for CycleGAN (0.93) than for UNET (0.86). In the third project, compared with a conventional method with fat-water separation, UNET was best suited to reconstruct the highest quality susceptibility maps in under 10 s that were almost free of artifacts, and the root-mean-square deviation in synthetic data was 0.123 ppm, less than half of the conventional method (0.292 ppm). In addition, UNET optically showed the best agreement in I-125 seeds from a patient who received brachytherapy with the images of a computed tomography scan. In the fourth project, comparing an atlas-based method with manual segmentation, a mean dice coefficient of 0.73 was calculated between the two methods for all brain regions. For group differences in individual brain regions, the same significant differences were found for both methods, and the area under the curve was only minimally smaller in most cases for the atlas-based method (0.03 on average when differentiating between MSA and healthy controls). Conclusions and discussion: Averaging of susceptibility maps was the best method when comparing the two echo time combination methods (better score and higher correlation coefficient between 3 T and 7 T), thus, this method was used in the subsequent projects. To achieve a smart denoising using deep learning, of the studied methods here, the UNET or the CycleGAN are recommended depending on the application, as they were rated best and showed a high correlation with the 3 T data. A UNET is also well suited to generate susceptibility maps of the pelvis and knee in the presence of fat and can potentially be applied to the identification of I-125 seeds in the prostate as an automated alternative to conventional methods, which does not require the use of ionizing radiation. The atlas-based evaluation method is a good method, with almost the same sensitivity and specificity compared to a manual segmentation, to evaluate a study to differentiate MSA from PD with only a small manual segmentation effort minimizing systematic errors and allowing flexible definitions of the regions of interest within the course of a study.