Quantitative perfusion maps using a novelty spatiotemporal convolutional neural network

📄 arXiv: 2312.05279v1 📥 PDF

作者: Anbo Cao, Pin-Yu Le, Zhonghui Qie, Haseeb Hassan, Yingwei Guo, Asim Zaman, Jiaxi Lu, Xueqiang Zeng, Huihui Yang, Xiaoqiang Miao, Taiyu Han, Guangtao Huang, Yan Kang, Yu Luo, Jia Guo

分类: eess.IV, cs.CV

发布日期: 2023-12-08

💡 一句话要点

提出一种新颖的时空卷积神经网络ST-Net，用于准确估计DSC-MRI的灌注参数。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 动态磁敏感对比磁共振成像 DSC-MRI 灌注参数估计 时空卷积神经网络 急性缺血性卒中 深度学习 物理损失函数

📋 核心要点

  1. 传统DSC-MRI灌注参数估计方法易受噪声影响，导致参数失真，影响卒中评估的准确性。
  2. 提出一种时空卷积神经网络ST-Net，利用时空信息进行灌注参数估计，并设计物理损失函数提升模型性能。
  3. 实验结果表明，ST-Net能准确估计CBV、CBF和Tmax等灌注参数，且与商业软件性能接近，具有时间效率。

📝 摘要（中文）

动态磁敏感对比磁共振成像(DSC-MRI)广泛应用于评估急性缺血性卒中，以区分可挽救组织和梗死核心。传统方法采用奇异值分解等反卷积技术，但这些技术容易受到噪声影响，可能扭曲导出的灌注参数。本研究提出了一种考虑空间和时间信息的灌注参数估计网络，即时空网络(ST-Net)。该网络包含一个设计的物理损失函数，以进一步提高模型性能。结果表明，该网络可以准确估计灌注参数，包括脑血容量(CBV)、脑血流量(CBF)和残余函数达峰时间(Tmax)。CBV、CBF和Tmax参数的结构相似性指数(SSIM)平均值分别为0.952、0.943和0.863。低灌注区域的DICE评分达到0.859，表明一致性很高。该模型还保持了时间效率，接近商业金标准软件的性能。

🔬 方法详解

问题定义：论文旨在解决动态磁敏感对比磁共振成像(DSC-MRI)中，传统反卷积方法（如奇异值分解）在估计灌注参数时易受噪声影响的问题。这些噪声会导致脑血容量(CBV)、脑血流量(CBF)和残余函数达峰时间(Tmax)等关键参数的失真，从而影响急性缺血性卒中中可挽救组织和梗死核心的准确区分。

核心思路：论文的核心思路是利用深度学习技术，特别是卷积神经网络，来学习DSC-MRI数据中的时空特征，从而更准确地估计灌注参数。通过结合空间和时间信息，并引入物理损失函数，该网络能够克服传统方法对噪声的敏感性，提高参数估计的鲁棒性和准确性。

技术框架：ST-Net的整体架构是一个时空卷积神经网络。该网络接收DSC-MRI数据作为输入，通过一系列卷积层提取空间特征，并通过循环层或3D卷积层提取时间特征。网络输出是估计的灌注参数图，包括CBV、CBF和Tmax。训练过程中，网络使用设计的物理损失函数进行优化，该损失函数基于灌注参数之间的物理关系。

关键创新：该论文的关键创新在于以下几点：1) 首次提出使用时空卷积神经网络进行DSC-MRI灌注参数估计。2) 设计了一种物理损失函数，该函数利用灌注参数之间的已知物理关系来约束网络的学习过程，从而提高参数估计的准确性。3) 该方法在保持较高准确性的同时，实现了与商业软件相近的时间效率。

关键设计：ST-Net的网络结构细节未知，摘要中没有明确说明卷积层和循环层的具体数量和类型。但是，关键的设计在于物理损失函数。该损失函数可能包含以下几个部分：1) 重构损失，用于确保估计的灌注参数能够重构原始的DSC-MRI信号。2) 物理约束损失，用于强制执行灌注参数之间的物理关系，例如CBF与CBV之间的关系。损失函数的具体形式未知，需要查阅原文才能确定。

📊 实验亮点

实验结果表明，ST-Net在估计CBV、CBF和Tmax等灌注参数方面表现出色，结构相似性指数(SSIM)平均值分别达到0.952、0.943和0.863。对于低灌注区域的分割，DICE评分达到0.859，表明与金标准分割结果高度一致。此外，该模型在推理速度上接近商业金标准软件，具有实际临床应用潜力。

🎯 应用场景

该研究成果可应用于急性缺血性卒中的诊断和治疗决策。通过更准确地估计灌注参数，医生可以更好地区分可挽救的脑组织和已梗死的组织，从而制定更有效的治疗方案，例如溶栓或血管内治疗。此外，该技术还可以用于评估其他脑血管疾病，如脑动脉狭窄和脑血管畸形。

📄 摘要（原文）

Dynamic susceptibility contrast magnetic resonance imaging (DSC-MRI) is widely used to evaluate acute ischemic stroke to distinguish salvageable tissue and infarct core. For this purpose, traditional methods employ deconvolution techniques, like singular value decomposition, which are known to be vulnerable to noise, potentially distorting the derived perfusion parameters. However, deep learning technology could leverage it, which can accurately estimate clinical perfusion parameters compared to traditional clinical approaches. Therefore, this study presents a perfusion parameters estimation network that considers spatial and temporal information, the Spatiotemporal Network (ST-Net), for the first time. The proposed network comprises a designed physical loss function to enhance model performance further. The results indicate that the network can accurately estimate perfusion parameters, including cerebral blood volume (CBV), cerebral blood flow (CBF), and time to maximum of the residual function (Tmax). The structural similarity index (SSIM) mean values for CBV, CBF, and Tmax parameters were 0.952, 0.943, and 0.863, respectively. The DICE score for the hypo-perfused region reached 0.859, demonstrating high consistency. The proposed model also maintains time efficiency, closely approaching the performance of commercial gold-standard software.