qMTNet。人工ニューラルネットワークを用いた高速定量的磁化移動イメージング

qMTNet: Accelerated quantitative magnetization transfer imaging with artificial neural networks.

• Huan Minh Luu
• Dong-Hyun Kim
• Jae-Woong Kim
• Seung-Hong Choi
• Sung-Hong Park

抄録

目的:

定量的磁化移動（qMT）イメージングのためのデータ取得とフィッティングを高速化するための人工ニューラルネットワーク（総称してqMTNetと呼ばれる）を開発する。

PURPOSE: To develop a set of artificial neural networks, collectively termed qMTNet, to accelerate data acquisition and fitting for quantitative magnetization transfer (qMT) imaging.

方法:

従来のqMTデータとスライス間のqMTデータを、ネットワークの開発のために7人の被験者から6つのオフセット周波数で2つのフリップ角で取得し、一般化可能性をテストするために4人の若い被験者と4人の高齢者から取得した。qMTNet-2は、qMTNet-acqとqMTNet-fitを順次適用して、サンプル化されていないqMTデータ（6つではなく2つのオフセット周波数）からqMTパラメータ（為替レート、プール率）を生成するものである。qMTNet-1はqMTNet-2と同じ機能を持つ単一の統合ネットワークである。qMTNet-fitはガウスカーネルベースのフィットと比較し、ネットワークによって生成されたqMTパラメータは、辞書駆動型のアプローチでフィットされた基底真実からのパラメータと比較した。

METHODS: Conventional and interslice qMT data were acquired with two flip angles at six offset frequencies from seven subjects for developing the networks and from four young and four older subjects for testing the generalizability. Two subnetworks, qMTNet-acq and qMTNet-fit, were developed and trained to accelerate data acquisition and fitting, respectively. qMTNet-2 is the sequential application of qMTNet-acq and qMTNet-fit to produce qMT parameters (exchange rate, pool fraction) from undersampled qMT data (two offset frequencies rather than six). qMTNet-1 is one single integrated network having the same functionality as qMTNet-2. qMTNet-fit was compared with a Gaussian kernel-based fitting. qMT parameters generated by the networks were compared with those from ground truth fitted with a dictionary-driven approach.

結果:

qMTNet-2とqMTNet-1は，データ取得を3倍，フィットを5800倍，フィットを4218倍に高速化することができた．

RESULTS: The proposed networks achieved high peak signal-to-noise ratio (>30) and structural similarity index (>97) in reference to the ground truth. qMTNet-fit produced qMT parameters in concordance with the ground truth with better performance than the Gaussian kernel-based fitting. qMTNet-2 and qMTNet-1 could accelerate data acquisition at threefold and accelerate fitting at 5800- and 4218-fold, respectively. qMTNet-1 showed slightly better performance than qMTNet-2, whereas qMTNet-2 was more flexible for applications.

結論:

提案された単一ニューラルネットワーク（qMTNet-1）と2つのジョイントニューラルネットワーク（qMTNet-2）は、データ取得とフィッティングの両方においてqMTのワークフローを大幅に高速化することができます。

CONCLUSION: The proposed single (qMTNet-1) and two joint neural networks (qMTNet-2) can accelerate qMT workflow for both data acquisition and fitting significantly. qMTNet has the potential to accelerate qMT imaging for clinical applications, which warrants further investigation.

© 2020 International Society for Magnetic Resonance in Medicine.