Self-Supervised Implicit CEST Reconstruction via Physics-Informed Lorentz Encoding

技術要約：物理情報に基づくローレンツ符号化を用いた自己教師あり暗黙的CEST再構成

問題提起
マルチプール化学交換飽和移動（CEST）MRIは、APT（アミドプロトン転移）、NOE（核オーバーハウザー効果）、MT（磁化転送）といった低濃度の内因性代謝物を非侵襲的に検出できる強力なツールである。しかし、高密度なZスペクトル（通常50個以上の周波数オフセット）を捕捉するために長い取得時間を要することが、臨床導入の大きな障壁となっている。疎なサンプリングはスキャンを加速させる一方で、Zスペクトルの再構成を不良設定（ill-posed）の逆問題へと変えてしまう。従来の補間法や一般的な暗黙的ニューラル表現（INR）は、この領域においてしばしば失敗する。これらは物理的な制約を欠いているため、スペクトルアーチファクトが生じたり、高周波ノイズに過学習したり、定量的な代謝物マッピングを損なうような物理的に不適切な信号振動を引き起こしたりする。

手法
著者らは、**ローレンツ符号化（Lorentz Encoding: LE）**を提案する。これは、CEST再構成を、暗黙的ニューラル表現（INR）パラダイム内における自己教師ありの物理制約付き最適化タスクとして定式化した物理情報に基づくフレームワークである。

• 分離型ハイブリッドアーキテクチャ: 本フレームワークは、空間次元とスペクトル次元の異なる誘導バイアスに対処する。空間座標 $(x, y)$ は、高周波の解剖学的テクスチャを捉えるためにマルチレゾリューション・ハッシュ符号化（MHE）を用いてエンコードされる。対照的に、スペクトル周波数オフセット $(\Delta\omega)$ は、提案されたローレンツ符号化を通じて処理される。
• ローレンツ符号化メカニズム: 一般的な位置符号化（例：フーリエまたはハッシュ）の代わりに、LEはスペクトル座標を、学習可能なローレンツ基底関数によって張られるパラメータ化された物理部分空間上に投影する。エンコーディングベクトル $L_k(\Delta\omega)$ は、学習可能な振幅 ($A_k$)、中心周波数 ($\mu_k$)、およびピーク幅 ($\gamma_k$) によってパラメータ化されたローレンツ関数として計算される。
• 物理情報に基づく初期化と制約: $N$ 次元のエンコーディング部分空間は、水、APT、NOE、MTの4つの異なる溶質プールに対して明示的に割り当てられる。各プールの学習パラメータは、最適化中に物理的に決定された範囲（例：APTの中心周波数は3.0–4.0 ppmの間）内に厳格に制限される。これにより、解空間が生物学的に妥当な信号に限定され、非物理的な変動を効果的に除去できる。
• 最適化: ネットワークは、被験者固有の最適化パラダイムを用いてエンドツーエンドで訓練される。ネットワークの出力と、疎な取得点におけるグラウンドトゥルース信号との間の $L_2$ 誤差を最小化し、同時に学習された物理定数も共同で更新される。残りの高密度な周波数オフセットは、補間精度を評価するための未知のテストセットとして機能する。

主な貢献

1. ローレンツ符号化 (LE): 疎なCEST再構成を、制約のない回帰から厳格な自己教師ありの物理制約付き最適化パラダイムへと変貌させる、物理情報に基づくエンコーディング層の導入。
2. 分離型ハイブリッド設計: ハッシュ符号化を用いて空間の詳細を、LEを用いてスペクトル事前分布をそれぞれ利用する新しいアーキテクチャにより、解剖学的忠実度を維持しながらスペクトルアーチファクトを効果的に排除する。
3. 堅牢な定量的マッピング: LEが、極めて疎なデータ（わずか21サンプリングポイント）からでも、高密度なZスペクトルの正確な再構成およびその後の定量的なパラメータマッピング（APT、NOE、MT）を可能にすることを実証した。

実験結果
本手法は、3T Siemens Prismaスキャナーで取得されたヒト脳のインビボデータを用いて、LEを直接マルチプールローレンツフィッティング（MPLF）、U-Net、WIRE、フーリエ位置符号化、およびMHEと比較評価した。

• 再構成品質: 39ポイントのサンプリング戦略において、LEは57.58 dBのPSNRと0.9994のSSIMを達成し、すべてのベースラインを大幅に上回った。極端なアンダーサンプリング（21ポイント）においても、LEは54.19 dBの高いPSNRを維持したが、競合する最良のINR（MHE）は33.56 dB、U-Netは42.98 dBまで低下した。
• 定量的パラメータマッピング: LEによる再構成から導出されたマップは、APT、NOE、MTの各パラメータにおいて一貫して最高のPSNRとSSIMを示した。例えば、39ポイント戦略下では、MTマップは32.69 dBのPSNRを達成した。
• スペクトル忠実度: 一般的な手法が水ピークから離れたスペクトル領域（例：>10 ppm）で性能低下を示すのに対し、LEはZスペクトル全体にわたって一貫して高い忠実度を維持した。
• 潜在空間分析: 主成分分析（PCA）による可視化により、LEの特徴量が潜在空間において滑らかで連続的、かつ幾何学的に秩序立てられた軌跡を形成していることが明らかになり、正則化された物理構造の学習が確認された。対照的に、一般的なエンコーディングは、高密度にクラスター化した重複する特徴量を生じさせた。

意義と主張
本論文は、ローレンツ符号化が、診断の信頼性を損なうことなく臨床用CESTイメージングを加速するための有望な解決策であることを主張している。エンコーディング層に直接ローレンツ事前分布を組み込むことで、本手法は、従来のディープラーニング手法を悩ませるデータの希薄性と信号飽和の限界を克服している。著者らは、物理モデルとの整合性を強制することで、物理的に不適切な信号の生成を防ぎ、正確な定量的代謝物マッピングを保証できる点を強調している。

限界
著者らは主に2つの限界を認めている。

1. 計算負荷: スライスごとの最適化パラダイムは計算コストが高く（RTX 5080で1スライスあたり約5分）、全脳再構成を行う推論のみのディープラーニング手法よりも時間がかかる。
2. オーバースムージング: 強力なスペクトル制約はノイズ抑制には効果的であるが、微細な解剖学的変化がある領域において、時に細部の空間詳細を平滑化しすぎる場合がある。

今後の課題として、パラメータフィッティングを最適化ループに直接統合してエンドツーエンドの代謝物マッピングを実現すること、および本フレームワークを共同MRIシーケンス設計へと拡張することが提案されている。