Training deep learning based dynamic MR image reconstruction using synthetic fractals

Probleemstelling

Real-time MRI, essentieel voor het beoordelen van dynamische veranderingen zonder fysiologische gating, vereist aanzienlijke onderbemonstering van de data om voldoende ruimtelijke en temporele resolutie te behalen. Hoewel Compressed Sensing (CS) veel wordt gebruikt, is dit beperkt door traag iteratief herstel. Deep Learning (DL) biedt snellere inferentie en betere beeldkwaliteit, maar de ontwikkeling van DL-modellen voor dynamische MRI wordt gehinderd door:

1. Data-privacy en licentievraagstukken: Het verzamelen en delen van grote, klinische datasets is vaak beperkt door regelgeving (zoals GDPR).
2. Beschikbaarheid: Specifieke, hoogwaardige trainingsdatasets zijn schaars.
3. Klinische scepsis: Bestaande methoden die gebruikmaken van open-source video's (bijv. landschappen of voertuigen) worden vaak afgekeurd door clinici vanwege de grote "out-of-distribution" aard van deze data, wat de generaliseerbaarheid in twijfel trekt.

De auteurs stellen daarom de vraag of synthetisch gegenereerde fractale data een bruikbaar alternatief kan zijn om DL-modellen te trainen zonder deze beperkingen.

Methodologie

De studie introduceert een nieuwe aanpak waarbij quaternion Julia-fractals worden gebruikt als synthetische trainingsdata.

1. Generatie van Synthetische Data:

• Fractaal Generatie: Er worden tijdvariërende Julia-set fractalen gegenereerd in de quaternion-ruimte (een 4D complex domein). Een 3D sub-volume (2D + tijd) wordt geëxtraheerd om dynamische beelden te simuleren.
• Parameterselectie: Om structureel rijke patronen te garanderen, worden parameters ($c$) geselecteerd op basis van de Mandelbrot-set (iteraties tussen 10-30).
• Conversie naar MRI-data:
  • De fractalen worden omgezet in complexwaardige dynamische beelden (real en imaginaire componenten) via sinusoïden.
  • Er wordt een multi-coil simulatie uitgevoerd: een elliptisch masker simuleert de lichaamsvorm, er wordt een achtergrondfase toegevoegd, en synthetische coil-sensitiviteitskaarten (Gaussische functies) worden gegenereerd.
  • Ruis wordt toegevoegd en de data wordt getransformeerd naar k-ruimte via FFT.
• Dataset: Er werd een dataset van 692 gepaarde fractale beelden gegenereerd, wat overeenkomt met de grootte van een bestaande klinische dataset.

2. Trainingsproces:

• Model: Een 3D UNet-architectuur voor "deep artefact suppression" (post-processing) werd getraind.
• Vergelijkingsgroepen: Twee modellen werden getraind:
  • F-DL: Getraind op de synthetische fractale data.
  • CMR-DL: Getraind op echte cardiale MRI-data (692 ECG-getriggerde bSSFP CINE-scans).
• Input/Output: Beide modellen kregen radiaal onderbemonsterde k-ruimte data (gesimuleerd via NUFFT) als input en leerden om de volledige, ongecorrigeerde magnitude-beelden te reconstrueren.

3. Prospectieve Validatie:

• Patiënten: 10 patiënten kregen een real-time cardiale MRI (radiale gouden hoek, vrije ademhaling) op een 1.5T scanner.
• Vergelijking: De reconstrucies van F-DL en CMR-DL werden vergeleken met:
  • LR-DIP: Low-rank Deep Image Prior (een ongesuperviseerde DL-methode zonder trainingsdata).
  • CS: Conventioneel Compressed Sensing.
• Referentie: De resultaten werden vergeleken met een referentiestandaard (ademhaling-gehalte CINE-beelden) voor beeldkwaliteit en kwantitatieve metingen (ventriculaire volumes en ejectiefractie).

Belangrijkste Resultaten

1. Beeldkwaliteit (Kwalitatief en Kwantitatief):

• Ranking: Er was geen significant verschil in subjectieve beeldkwaliteit tussen het op fractalen getrainde model (F-DL) en het op echte MRI getrainde model (CMR-DL) ($p=0.9$). Beide presteerden significant beter dan LR-DIP en CS ($p<0.001$).
• Contrast en Scherpte: F-DL vertoonde de hoogste Contrast-to-Noise Ratio (CNR) en de laagste temporele standaardafwijking van de rand-scherpte (STD ES), wat wijst op consistentere scherpte in de tijd.
• Tabel 1: F-DL en CMR-DL hadden vergelijkbare Edge Sharpness (ES), maar F-DL had een statistisch significant hogere CNR dan alle andere methoden.

2. Klinische Metingen (Volumen en Functie):

• Volumen en EF: De ventriculaire volumes (EDV, ESV) en ejectiefractie (EF) berekend met F-DL en CMR-DL vertoonden geen significante bias en hadden acceptabele grenzen van overeenkomst (Limits of Agreement) in vergelijking met de referentie.
• LR-DIP Prestaties: LR-DIP vertoonde een significante bias (vooral voor LV ESV, $p=0.019$) en bredere grenzen van overeenkomst, wat wijst op minder nauwkeurige klinische metingen.
• ICC: De Intraclass Correlation Coefficients (ICC) voor F-DL en CMR-DL waren zeer hoog (>0.95) voor alle klinische parameters, terwijl LR-DIP aanzienlijk lagere correlaties vertoonde.

3. Reconstructietijd:

• DL-modellen (F-DL & CMR-DL): Zeer snel, ongeveer 400ms per slice (totaal ~4-6s voor een volledige stack).
• CS: ~15s per slice (totaal ~2-3 minuten).
• LR-DIP: Zeer traag, ~30 minuten per slice (totaal ~5-8 uur), wat klinisch gebruik beperkt.

Bijdragen en Significantie

Technische Innovatie:
De studie bewijst het concept dat synthetische, wiskundig gegenereerde fractale data (Julia-sets in quaternion-ruimte) effectief kunnen worden gebruikt om diepe leermodellen te trainen voor dynamische MRI-reconstructie. Dit lost het probleem op van gebrek aan gedeelde klinische data en privacybeperkingen.

Klinische Relevantie:

• Vergelijkbare Prestaties: Modellen getraind op abstracte fractalen presteren even goed als die getraind op echte patiëntdata, zowel qua beeldkwaliteit als in de nauwkeurigheid van klinisch relevante metingen (hartfunctie).
• Generaliseerbaarheid: Omdat fractalen abstract en wiskundig zijn, zijn ze minder "incongruent" voor clinici dan video's van dieren of auto's, wat de acceptatie kan vergroten.
• Schaalbaarheid: Er kan oneindig veel synthetische k-ruimte data worden gegenereerd, wat essentieel is voor data-hongerige modellen (zoals Transformers) en voor toepassingen waar weinig klinische data beschikbaar is (bijv. 3D+t angiografie).

Conclusie:
De auteurs concluderen dat synthetische fractale data een open, schaalbaar en ethisch onbezwaarlijk alternatief biedt voor klinische datasets. Dit kan de ontwikkeling van meer generaliseerbare DL-reconstructiemodellen voor dynamische MRI mogelijk maken, zonder de afhankelijkheid van beperkte en gevoelige patiëntdata.