Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI

技術要約：Eddeep – 高速な拡散MRIにおけるエディ電流歪み補正のためのディープラーニング・フレームワーク

問題提起
拡散MRI（dMRI）はエコー・プラナー・イメージング（EPI）に依存しており、これは幾何学的な歪みの影響を非常に受けやすい。磁化率に起因する歪みは取得中を通じて静的であるが、エディ電流に起因する歪みは、拡散勾配の強度や方向に依存してボリュームごとに変化する。この変動はボリューム間の不整合を引き起こし、ダウンストリームの微細構造解析にバイアスをもたらす。

FSL Eddyなどの現在の最先端の補正手法は、反復的な予測・補正スキームを利用している。これらの手法は、各ボリュームの歪みのないバージョンを推定し、それらの予測に対してボリュームを反復的に整列させる。このアプローチは効果的ではあるものの、計算コストが高く、ボリュームのペアごとに新しい反復最適化を必要とするため、大規模研究や臨床応用における高速な前処理パイプラインの展開を妨げている。さらに、拡散重み付け（DW）ボリュームと $b=0$ リファレンスとの直接的なレジストレーションは、標準的な類似性指標を阻害する深刻なコントラストの違い（例：信号減衰、消失したCSF境界）により困難である。

手法：Eddeep フレームワーク
著者らは、単一パスの推論を可能にするために、コントラストの標準化と幾何学的補正を分離した2段階のディープラーニング・フレームワークである Eddeep を提案している。このフレームワークは、連続して学習される2つのモデルで構成されている：

1. 画像変換モデル（教師あり学習）:

   • 目的: 入力された任意のDWまたは $b=0$ ボリュームを標準的な外観にマッピングし、信頼性の高いレジストレーションを妨げるコントラストの違い（勾配方向依存の減衰やCSF境界など）を除去すること。
   • アーキテクチャ: 以前に補正されたデータ（FSL Eddyによって生成されたもの）を用いて教師あり学習された3D U-Net。
   • 学習目的: 入力された変換画像とターゲット画像との間の平均絶対誤差（MAE）を最小化する。ターゲットは、すべての拡散ボリュームを中程度の $b$ 値（700–3000 s/mm²）で平均化し、バイアスフィールド補正を行い、かつ以前に補正されたものである。
   • 拡張（Augmentation）: 学習には、コントラスト拡張（単一指数関数的な補間/外挿による新しい $b$ 値の合成、バイアスフィールドの追加、Ricianノイズの付加）および空間拡張（ランダムなグローバル・アフィンおよびディフォーミブル変形）を用い、汎化性能を高めている。

2. 画像レジストレーションモデル（教師なし学習）:

   • 目的: エディ電流による歪みとボリューム間の頭部運動パラメータを共同で推定し、変換されたDWボリュームを、変換された歪みのない $b=0$ リファレンスに整列させること。
   • アーキテクチャ: CNNベースのジオメトリ・エンコーダーと、変換パラメータを直接回帰する多層パーセプトロン（MLP）で構成される。
   • 物理的制約: モデルは一方向二次歪みモデルに従う。変換 $T$ は $T = E \circ R$ として定義される。ここで $R$ は剛体運動（6自由度）であり、$E$ は位相エンコーディング方向（PED）に制約された二次歪み（10自由度）である。
   • 強度変調: 幾何学的変形によって引き起こされる信号の蓄積（pile-up）や引き伸ばしを考慮するため、フレームワークは推論中にヤコビアン強度変調を適用する：$I(x) = |\det J_T(x)| \cdot I' \circ T(x)$。
   • 学習: レジストレーションモデルは、変換されたDWボリュームと変換された $b=0$ リファレンスとの間の類似性（MSE）を最大化することにより、教師なしで学習される。トレーサーの重みは、この段階では固定される。

主な貢献

• 斬新なアーキテクチャ: Eddeepは、エディ電流歪み補正のために特別に提案された初のディープラーニング・アプローチであり、劇的に異なるコントラストプロファイルを持つボリューム間のレジストレーションという特有の課題に対処している。
• 2段階の分離: コントラストの標準化（変換）と幾何学的整列（レジストレーション）を分離することで、高 $b$ 値画像と $b=0$ 画像間の直接的なレジストレーションの限界を克服している。
• 物理情報に基づく学習: レジストレーションモデルは、制約付き二次歪みモデルとヤコビアン強度変調を組み込んでおり、反復的な最適化を行うことなく、物理的に妥当な補正を実現している。
• 効率性: 本フレームワークは単一のフォワードパスで補正を実行し、従来のメソッドに特徴的な反復的な予測・補正ループを排除する。

結果
本手法はUK Biobankデータを用いて学習され、ドメイン内（UK Biobank）およびドメイン外（Memodyn）のデータセットの両方で評価された。

• 補正の質: 様々な補完的指標において、EddeepはFSL Eddyと同等の補正品質を達成した：
  • 幾何学的整列: ボリューム間のジッター（脳の縁および変換後の全脳におけるジッターの両方）の有意な減少。
  • 微細構造の一貫性: 未補正データと比較して、脳境界における拡散・カートーシス・イメージング（DKI）の異方性（FA）ハローの減少、および低いDKIモデル残差を示した。性能は一般的に、ドメイン内データにおいてFSL Eddyと同等か、それをわずかに上回った。
  • 信号の規則性: q空間における信号の不規則性の減少、およびボリューム間のペアワイズ相互情報量の増加。
• 変換の質: トレーンサーは、解剖学的構造を維持しながら、CSF境界や方向依存の減衰パターンを除去し、画像の外観を正常化することに成功した。拡張を加えたバリアント（trans+）が、鮮明さと堅牢性の間で最良のトレードオフを示した。
• 処理時間: Eddeepは大幅な速度向上を示した。Apple M3 MacBook Proにおいて、Eddeepは全取得データを約2分で補正したが、これはFSL Eddyの1時間以上と比較して、推論時間を30倍以上短縮したことになる。

意義と主張
本論文は、Eddeepが、反復的な最適化に依存することなく、正確かつ効率的なエディ電流歪み補正を提供できることを実証していると主張している。推論時間を数時間から数分に短縮することで、本フレームワークは、大規模研究や臨床展開に適した、より高速なdMRI処理パイプラインの開発をサポートする。著者らは、Eddeepを、磁化率歪み補正や微細構造パラメータ推定のための既存のディープラーニング手法を補完するツールとして位置づけ、定量的なインラインMRIという目標に貢献するものとしている。

限界と今後の課題
著者らは、実データにはグラウンドトゥルースとなるエディ歪みが存在しないため、評価が間接的な指標に依存していることを認めている。さらに、変換モデルは学習のために以前に補正されたデータを必要とし、既存のツールへの依存関係を生じさせている。現在、Eddeepは、高度なバージョンのFSL Eddyに備わっているボリューム内の動き補正やアウトライヤー置換（スライスドロップアウト）をサポートしていない。今後の課題としては、多項式モデルの代替としての低周波変形フィールドの探索や、歪みのないリファレンスを生成するための解剖学的スキャンからのDW画像の合成などが挙げられる。