A deep learning method for quantitative susceptibility mapping singularity correction

Beyin duyarlılık haritaları, Alzheimer hastalığı, Parkinson hastalığı ve Multipl Skleroz gibi nörodejeneratif hastalıkların ilerleyişini incelemek için klinik olarak kullanılmaktadır. Bu haritaların elde edilme yollarından biri, Kantitatif Duyarlılık Haritalama (Quantitative Susceptibility Mapping, QSM) yöntemidir. QSM, MRI faz görüntülerinden duyarlılığı hesaplamayı amaçlayan bir ters problemdir. Bu mümkündür çünkü MRI faz görüntüsü, bir sabit katsayıya kadar, dipol çekirdek filtresi ile altta yatan duyarlılık dağılımının konvolüsyonudur. Bu, ters bir problemdir çünkü 3B dipol filtresi, Fourier uzayında sıfır değerler aldığından doğrudan tersine çevirme yapılamaz. Son zamanlarda, bu problemi çözmek için derin öğrenme tabanlı çözümler önerilmiştir. Bu çalışmada, sentetik olarak üretilmiş veriler kullanılarak QSM topluluğunda yaygın olarak kullanılan UNet derin öğrenme mimarisi incelenmiştir. Farklı bir mimari varyant kullanmanın, doğrulama ortalama mutlak hatasında %21'e varan azalma ile eğitim sürecinde daha hızlı yakınsamaya yol açtığını gözlemliyoruz. Ayrıca, QSM problemini Fourier uzayında iki alt probleme ayırarak çözen bir QSM yeniden yapılandırma yöntemi öneriyoruz. Dipol çekirdeğinin kararlı olduğu bölgelerde doğrudan bölme yöntemiyle duyarlılık değerlerini hesaplıyoruz. Çekirdeğin sıfır olduğu bölgelerde ise, doğru duyarlılık haritasını öğrenmesi için bir derin öğrenme modeli eğitiyoruz. Sonuç duyarlılık haritamız, bu iki haritanın birleştirilmesiyle elde edilmektedir. Yöntemimizin başarısını, oluşturulan bir test veri seti üzerinde test ederek gösteriyoruz. Ayrıca yaklaşımımız, bir QSM yarışmasındaki verilerle de test edilmiştir ve bu yarışmada test edilen diğer modellerle karşılaştırıldığında en iyi performansı göstermiştir.