High-Resolution Reference Image Assisted Volumetric Super-Resolution of Cardiac Diffusion Weighted Imaging

Technische Samenvatting: Volumetrische Super-resolutie van Cardiale Diffusie-gewogen Beeldvorming Ondersteund door een Hoogresolutie Referentiebeeld

Probleemstelling
Diffusie-tensor cardiale magnetische resonantie (DT-CMR) is de enige niet-invasieve methode om de in vivo microstructuur van het menselijk hart te onderzoeken. Het verkrijgen van diffusie-gewogen beeldvorming (DWI) voor DT-CMR wordt echter gehinderd door de natuurlijke beweging van het hart, wat resulteert in een laag signaal-ruisverhouding (SNR). Om dit te mitigeren, maken standaardprotocollen gebruik van grote voxelgroottes (typisch 2,7 × 2,7 × 8 mm³), met name in de dimensie van de slice-dikte. Deze grove resolutie is ontoereikend voor het analyseren van microstructurele kenmerken en verergert partiële volume- en resterende bewegingseffecten, waardoor de klinische bruikbaarheid beperkt blijft. Hoewel deep learning succes heeft bewezen bij super-resolutie (SR) in MRI, richten bestaande methoden zich doorgaans alleen op afzonderlijke in-plane of door-plane resolutie, en ontbreken er gevalideerde benaderingen voor gelijktijdige volumetrische super-resolutie (verbetering van de resolutie in alle dimensies).

Methodologie
De studie stelt een nieuw deep learning-framework voor om volumetrische super-resolutie (×4 in alle dimensies) te bereiken voor cardiale DWI.

• Dataset: Het model is getraind op data van 10 gezonde varkensharten, gescand met een 3T Siemens Vida-scanner. De dataset omvatte DWI's verkregen bij $b=500$ en $b=1000$ s/mm² over 256 richtingen, samen met hoogresolutie referentieafbeeldingen ($b_0$). Om laagresolutie-invoer te simuleren, werden de hoogresolutie ground truth-data onderbemonsterd: 4× door-plane via axiale middeling en in-plane via bilineaire onderbemonstering.
• Modelarchitectuur: De ruggengraat is een U-Net-variant die is verrijkt met meerdere multi-head self-attention-lagen.
• Invoerstrategie: De kerninnovatie is de opname van een hoogresolutie $b_0$-referentieafbeelding als extra invoerkanaal naast de laagresolutie doeldoel-DWI (bijv. $b=500$). De hoogresolutie $b_0$ en de laagresolutie doel worden kanaalgewijs samengevoegd.
• Trainingsdoel: Het netwerk wordt getraind met een combinatie van vier verliesfuncties:
  1. Pixelverlies: Gemiddelde kwadratische fout (MSE) in de beeldruimte.
  2. Frequentieverlies: MSE in het frequentiedomein.
  3. Perceptueel verlies: Latente ruimtedistance gemeten door een vooraf getraind VGG-model.
  4. Adversariaal verlies: Een standaard op CNN gebaseerde discriminator om realisme te verbeteren via adversariale training.
• Evaluatie: De prestaties werden beoordeeld aan de hand van Peak Signal-to-Noise Ratio (PSNR) en Structural Similarity Index Metric (SSIM). Een ablatiestudie vergeleek het voorgestelde framework (met $b_0$-referentie) met een conventioneel framework met enkelvoudige kanaalinvoer (zonder $b_0$).

Belangrijkste Resultaten

• Prestaties op getrainde data ($b=500$): Het voorgestelde framework presteerde aanzienlijk beter dan zowel het conventionele framework met enkelvoudige invoer als eenvoudige bilineaire interpolatie.
  • PSNR: Het voorgestelde framework behaalde 32,615 (±2,803), vergeleken met 29,151 voor het conventionele framework en 26,763 voor bilineaire interpolatie.
  • SSIM: Het voorgestelde framework behaalde 0,863 (±0,082), vergeleken met 0,816 voor het conventionele framework en 0,798 voor bilineaire interpolatie.
  • Kwalitatieve verbetering: Visuele analyse gaf aan dat de voorgestelde methode de overmatige gladmakende effecten die bij de conventionele methode werden waargenomen, vermijdt, en meer textuurdetails in de super-geresolveerde afbeeldingen behoudt.
• Generaliseerbaarheid (ongezien $b$-waarden): Het model toonde het vermogen om DWI's van een ongezien $b$-waarde ($b=1000$) te super-resolveren zonder specifieke training op die waarde.
  • Op de ongeziene $b=1000$-data behaalde het voorgestelde framework een PSNR van 28,992 en een SSIM van 0,762, en presteerde het beter dan bilineaire interpolatie (PSNR 26,726, SSIM 0,728).

Betekenis en Claims
De auteurs claimen dat dit het eerste onderzoek is dat de effectiviteit van deep learning-modellen voor volumetrische super-resolutie in MRI aantoont, waarbij zowel in-plane als door-plane resolutie gelijktijdig worden aangepakt.

De primaire bijdrage is de validatie dat het verstrekken van een hoogresolutie referentieafbeelding (specifiek de $b_0$-DWI) als extra invoer de prestaties van super-resolutie aanzienlijk verbetert. De studie concludeert dat voor parametrische beeldvormingstaken waarbij een referentieafbeelding beschikbaar is, het wordt aanbevolen om deze hoogresolutie referentie als extra invoer op te nemen tijdens zowel training als inferentie om het super-resolutie-framework te sturen. Bovendien suggereert het vermogen van het model om te generaliseren naar ongezien $b$-waarden een robuust framework voor cardiale DWI-super-resolutie dat verder reikt dan de specifieke parameters die tijdens de training zijn gebruikt.