Accelerating Stroke MRI with Diffusion Probabilistic Models through Large-Scale Pre-training and Target-Specific Fine-Tuning

Probleemstelling

De diagnose van ischemische beroertes vereist vaak snelle en nauwkeurige beeldvorming. Hoewel MRI superieur is aan CT voor het detecteren van ischemische laesies en het lokaliseren ervan, zijn MRI-scans doorgaans trager en gevoeliger voor bewegingsartefacten. Versnelde MRI-scans (door onderbemonstering van de k-ruimte) kunnen de scantijd verkorten, maar leiden tot kwaliteitsverlies bij reconstructie.

Bestaande machine learning-methoden voor MRI-reconstructie presteren uitstekend wanneer ze worden getraind op grote, specifieke datasets. Echter, in klinische scenario's zoals beroertediagnostiek is de beschikbaarheid van grote, volledig bemonsterde datasets voor specifieke contrasten (zoals FLAIR, DWI, SWI) vaak beperkt. Zonder voldoende data degradeert de prestatie van deze modellen sterk, wat de toepassing van versnelde MRI in de kliniek belemmert.

Methodologie

De auteurs stellen een trainingsstrategie voor die is geïnspireerd op het paradigma van foundation modellen (foundation models), specifiek toegepast op Diffusion Probabilistic Models (DPMs). De aanpak bestaat uit twee fasen:

1. Grootschalige Pre-training:

   • Een DPM wordt eerst getraind op een grote, diverse dataset van publiek beschikbare hersen-MRI-scans (de fastMRI-dataset, ongeveer 4000 onderwerpen).
   • Dit omvat diverse contrasten (T1, T2, T1-post-contrast) en maakt het model robuust voor algemene anatomische structuren.
   • Het model leert de onderliggende waarschijnlijkheidsverdeling van MR-beelden.

2. Doelgerichte Fine-tuning:

   • Het vooraf getrainde model wordt vervolgens aangepast (fine-tuned) op een zeer kleine dataset van het specifieke klinische doel (bijv. beroerte-MRI), bestaande uit slechts 20 tot 25 volledig bemonsterde patiënten.
   • Cruciale hyperparameters: Om overfitting te voorkomen tijdens deze fase met weinig data, wordt de leersnelheid (learning rate) met een orde van grootte verlaagd en wordt het aantal trainingsepoche beperkt (ongeveer 2% van de pre-trainingstijd).
   • Het model gebruikt een U-Net-architectuur die is aangepast om verschillende contrasttypes te verwerken via een one-hot encoding vector.

3. Reconstructie (Posterior Sampling):

   • Voor de reconstructie van versnelde data wordt een benaderde posterior sampling gebruikt (Diffusion Posterior Sampling - DPS).
   • Dit proces lost een gewone differentiaalvergelijking (ODE) op die de reconstructie leidt naar oplossingen die zowel consistent zijn met de onderbemonsterde metingen als statistisch waarschijnlijk zijn volgens het geleerde prior.
   • Een hyperparameter ($\zeta$) balanceert de dataconsistentie en de geleerde prior score.

Belangrijkste Bijdragen

• Data-efficiëntie: Het aantonen dat DPMs, vooraf getraind op een grote externe dataset en vervolgens gefine-tuned op slechts 20 patiënten, prestaties kunnen bereiken die vergelijkbaar zijn met modellen die zijn getraind op honderden specifieke patiënten.
• Onafhankelijkheid van het acquisitiemodel: In tegenstelling tot end-to-end methoden die vereisen dat de trainings- en testdata exact dezelfde acquisitiepatronen (coil-geometrie, sampling) hebben, kunnen DPMs worden overgedragen naar datasets met verschillende acquisitiemodellen.
• Optimalisatie van fine-tuning: Het identificeren van de "sweet spot" voor fine-tuning: te weinig aanpassing leidt tot slechte contrastadaptatie, terwijl te veel aanpassing (te veel epochs of te hoge leersnelheid) leidt tot overfitting en kwaliteitsverlies.
• Klinische validatie: Een uitgebreide, blinded reader study met twee neuroradiologen om de klinische bruikbaarheid te valideren.

Resultaten

• Gecontroleerde Experimenten (fastMRI):

  • Een model gefine-tuned op 20 FLAIR-patiënten (na pre-training op 4000 onderwerpen) presteerde even goed als modellen getraind op 344 FLAIR-patiënten voor versnellingfactoren van R=3 tot R=8.
  • De beste resultaten werden behaald met een leersnelheid van $1 \times 10^{-5}$ en 650 epochs (voor FLAIR).
  • Methoden die alleen op de kleine dataset trainden (zonder pre-training) of die de datasets simpelweg samenvoegden zonder gefaseerde fine-tuning, presteerden aanzienlijk slechter.

• Klinische Toepassing (Beroerte-MRI):

  • De methode werd succesvol toegepast op meerdere contrasten in het beroerteprotocol: FLAIR, MPRAGE, SWI en DWI.
  • Fine-tuning op slechts 20 patiënten bleek voldoende om hoge kwaliteit reconstructies te genereren voor data die met een factor 2 extra was onderbemonsterd (totale versnelling R $\approx$ 4).

• Klinische Reader Study:

  • Twee radiologen beoordeelden 80 patiënten (retrospectief onderbemonsterd).
  • Structuur: De geschatte scheiding van grijze stof, witte stof en ventrikels was voor de versnelde reconstructies niet inferieur aan de standaard van zorg (standard-of-care).
  • Kwaliteit: Voor de eerste beoordelaar waren de versnelde beelden zelfs statistisch significant beter op het gebied van signaal-ruisverhouding (SNR), scherpte en artefacten. Voor de tweede beoordelaar waren er geen significante verschillen behalve bij SNR (waar de standaard beter scoorde).
  • Over het algemeen werden beide methoden beoordeeld als klinisch aanvaardbaar (gemiddelde scores rond 4/5).

• Prospectieve Validatie:

  • Experimenten met prospectief onderbemonsterde data (op een gezonde proefpersoon) toonden aan dat de methode ook werkt op echt versnelde data, met vergelijkbare beeldkwaliteit als retrospectieve simulaties.

Betekenis en Conclusie

Dit onderzoek toont aan dat het combineren van grootschalige pre-training met doelgerichte fine-tuning een krachtige strategie is om Diffusion Probabilistic Models toe te passen op data-beperkte klinische MRI-scenario's.

De belangrijkste implicaties zijn:

1. Klinische haalbaarheid: Het reduceert de noodzaak voor enorme, specifieke datasets voor elke nieuwe klinische toepassing, wat de adoptie van AI-gedreven versnelde MRI vergemakkelijkt.
2. Kwaliteit behouden: Het is mogelijk om scantijden te verkorten (door versnelling) zonder in te leveren op de diagnostische kwaliteit van de beelden, zelfs bij complexe pathologieën zoals beroertes.
3. Toekomstperspectief: Hoewel de huidige reconstructietijden nog langer zijn dan conventionele methoden, biedt deze aanpak een fundamenteel nieuwe weg voor robuuste, data-efficiënte beeldherstel in de medische beeldvorming.