Deep Learning-Based Reconstruction: Model Comparison for Variable-Density GRAPPA 1H MRSI

技術要約：可変密度GRAPPA 1H MRSIのための深層学習ベースの再構成

問題提起
プロトン磁気共鳴分光撮像法（1H MRSI）は、脳代謝物の定量的マッピングにおける重要なツールである。しかし、その臨床的有用性は、極めて長い撮像時間に制約されている。加速技術は存在するものの、スペクトルの品質を損なったり、重大なアーチファクトを導入したりすることなく、7Tにおいて高解像度イメージングを実現することは依然として困難である。具体的には、従来のGRAPPA（GeneRalized Autocalibrating Partially Parallel Acquisitions）法は、高いインプレーン加速係数へと押し上げようとすると限界に直面することが多く、特に脂質抑制を行わない撮像においては、残留する脂質エイリアシングや代謝物マップの忠実度の低下を招く。

手法
本研究は、可変密度アンダーサンプリングスキーム内でのk空間再構成における、深層学習駆動型のGRAPPAベースの加速を通じて、これらの制限に対処するものである。本研究は、脂質アーチファクトを抑制しながらより高い加速係数をサポートできることを以前に示した既存のMultiNet PyGRAPPAフレームワークに基づいている。

核心となる手法上の貢献は、欠損したk空間の点を予測するために設計された、高度な機械学習アーキテクチャの包括的な比較である。本研究では、以下のモデルタイプを含む複数のモデルを評価している：

• 多層パーセプトロン（MLP）
• 畳み込みニューラルネットワーク（CNN）
• 様々なU-Netのバリアント

これらのモデルは、加速係数 R = 4, 6, 7 を扱うように訓練された。著者らは、非線形な階層的特徴抽出を活用することでMultiNetの概念を拡張した特定のU-Netモデルを提案している。このアーキテクチャは、ノイズに対する堅牢性を維持しつつ、再構成の忠実度を向上させることを目的としている。

評価は、健康なボランティアおよび患者から取得された、遡及的にアンダーサンプリングされた7T 1H FID-MRSIデータセットを用いて、in vivo で行われた。

主な貢献

1. アーキテクチャの比較： 本論文は、可変密度GRAPPAの文脈におけるk空間予測のための、異なる深層学習アーキテクチャ（MLP、CNN、U-Netバリアント）の系統的なベンチマークを提供している。
2. 提案されたU-Netフレームワーク： MRSI再構成の複雑さをより良く扱うために階層的特徴抽出を利用する、MultiNetの拡張としてのU-Netベースのフレームワークを導入している。
3. 高加速の実現可能性： スペクトルの完全性を維持しながら、高い加速係数（最大R=7）をサポートできる可能性を示している。

結果
定量分析の結果、提案されたU-NetモデルはオリジナルのMultiNetアプローチを上回ることが示された。具体的な性能指標は以下の通りである：

• SNR保持の向上： U-Netは、ベースラインと比較して高い信号対雑音比（SNR）を維持している。
• 脂質RMSEの減少： 脂質信号に関する平方根平均二乗誤差（RMSE）の測定可能な減少が見られ、これは脂質エイリアシングアーチファクトの優れた抑制を示している。
• 高い構造的類似性： 主要な代謝物の再構成マップは、参照データに対して高い構造的類似性を示している。
• 視覚的品質： U-Netによって生成された代謝物マップは、脂質アーチファクトが減少し、解剖学的整合性が向上していた。

意義および主張
本論文は、深層畳み込みネットワークをGRAPPAベースのk空間予測に統合することが、より信頼性が高く、より高忠実度な再構成パイプラインを確立することを主張している。この深層学習アプローチを可変密度アンダーサンプリングと組み合わせることで、本手法は7Tにおける高解像度1H MRSIの高速撮像を可能にする。決定的な点として、著者らは、この加速がスペクトルの品質や代謝物定量値の精度を損なうことなく達成できると断言しており、これにより1H MRSIの臨床応用を制限している主要なボトルネックに対処している。