Application of Deep Learning to Quantitative Susceptibility Mapping in MRI

Abstract

Magnetic susceptibility is an internal tissue property that describes how tissue is magnetized by an external magnetic field. Quantitative Susceptibility Mapping (QSM) is a Magnetic Resonance Imaging (MRI) technique that uses this property to create images that highlight tissue containing substances such as calcium and iron. These substances accumulate with diseases as Morbus Alzheimer, Multiple Sclerosis or Morbus Parkinson. QSM uses the phase information of MRI to measure spatial field perturbations caused by magnetic susceptibility. While it is known [1] how to obtain the fieldperturbation caused by a given susceptibility distribution, the step in reverse order represents an ill-posed inverse problem for single-oriented MRI scans because a certain field perturbation can be caused by several distributions of susceptibility sources [2]. To solve this problem several algorithms were introduced that demand manual parameter adjustment or the image acquisition from different angles. The regularization techniques are mostly generic and not specific to QSM. In this thesis, following Rasmussen et al. [3] and Yoon et al. [4] a fully convolutional neural network (FCNN) similar to the U-net [5] was explored to solve the problem of dipole inversion. The network is capable of solving the dipole inversion on in-vivo MRI phase data and shows similar results as established dipole inversion techniques. In addition to dipole inversion, QSM includes the problem of background field removal. Strong fields of susceptibility sources outside of the region of interest (ROI) or outside the measurements cover the comparable small local fields of the ROI. These background fields have to be removed before dipole inversion can be applied. In this thesis a CNN, derived from the CNN for dipole inversion, was developed to remove the background field. Furthermore, a third model to solve background field removal and dipole inversion in a single step was developed and evaluated against the sequentially application of the single models and against established techniques. Here the sequentially applied networks showed slightly better results in total. Although datasets with total fields created differently were used, the resulting images showed background field artifacts to varying degrees if tested with in-vivo data. Furthermore, the created images had a significantly wider standard deviation than the results of established techniques. To improve the performance of models for background field removal the corresponding datasets have to be improved to reproduce the properties of invivo MR images.

Magnetische Suszeptibilität ist eine physikalische Größe, welche die Magnetisierbarkeit von Stoffen in einem externen Magnetfeld beschreibt. Quantitative Susceptibility Mapping (QSM) ist eine MRT Methode welche diese Eigenschaft nutzt, um Bilder zu erstellen, welche Substanzen wie Kalzium oder Eisen hervorheben. Diese Substanzen sammeln sich bei Erkrankungen wie der Alzheimer Demenz, Multipler Sklerose oder der Parkinson-Krankheit vermehrt an. QSM nutzt die Phasenbilder von MRT Messungen um örtliche, durch Suszeptibilität verursachte Feldverzerrungen zu messen. Während es bekannt ist, wie man aus einer gegebenen Suszeptibilitätsverteilung das resultierende magnetische Feld erhält [1], stellt der umgekehrte Schritt für Aufnahmen die nur in einer Richtung aufgenommen wurden, ein inverses Problem dar [2]. Dies liegt daran, dass eine gegebene Feldverteilung unterschiedliche zugrundeliegende Verteilungen der Quellen haben kann. Um dieses Problem zu lösen, gibt es bereits verschiedene Methoden. Diese erfordern jedoch die Einstellung von selbstgewählten Parametern oder die Aufnahme in verschiedenen räumlichen Ausrichtungen. In dieser Arbeit wurde ähnlich wie bei [3] und [4] ein fully convolutional neural network (zu Deutsch etwa „vollkommen faltendes neuronales Netz“) benutzt um das inverse Problem der Dipolinvertierung zu lösen. Das Netzwerk war fähig das inverse Problem zu lösen und dabei vergleichbar gute Resultate gegenüber etablierten Methoden zu erzielen. Zusätzlich zum Problem der Dipolinversion beinhaltet QSM das Problem der Hintergrundfeldentfernung. Hier erzeugen Suszeptibilitätsquellen außerhalb des Untersuchungsgebiet starke Hintergrundfelder, welche die schwachen Felder der lokalen Quellen überlagern. Diese starken Felder müssen erst entfernt werden, bevor eine Dipolinversion angewendet werden kann. In dieser Arbeit wurde ein weiteres CNN, ähnlich zum obigen, verwendet um die Hintergrundfelder zu entfernen. Des Weiteren wurde ein baugleiches drittes Netzwerk getestet, um die Dipolinvertierung und die Hintergrundfeldentfernung in einem Schritt zu durchzuführen. Letzteres wurde mit etablierten Methoden und den zwei aufeinander folgenden Netzwerken für Hintergrundfeldentfernung und Dipolinversion verglichen. Dabei erzielten die aufeinander folgenden Netze etwas bessere Ergebnisse als die Methode, welche beide Schritte in einem einzigen Netz durchführt. Obwohl verschiedene Datensätze ausprobiert wurden, zeigten alle von den Netzen erzeugten Bilder unterschiedlich stark ausgeprägte Hintergrundfeldartefakte, wenn sie auf in-vivo-Daten angewendet wurden. Des Weiteren hatten die erzeugten Bilder im Vergleich zu den etablierten Methoden deutlich breiter gestreute Werte. Um die Leistungsfähigkeit von Netzten welche Hintergrundfeldentfernung beinhalten zu verbessern, sollten die Trainingsdaten zukünftig besser an die Bildeigenschaften von in-vivo- Daten angepasst werden.