合成フラクタルを用いた深層学習によるダイナミックMR画像再構成の学習

arXiv cs.CV / 2026/4/1

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本研究では、合成的に生成したフラクタル（クォータニオン・ジュリアフラクタル）データセットによって、限定された臨床の心臓MRIデータに依存せずにダイナミックMRI再構成のための深層学習モデルを訓練できるかを検討する。
フラクタル生成の2D＋時間画像から、多チャンネルコイルによる放射状アンダーサンプリングk空間をシミュレーションし、その合成データ上で3D U-Netのアーティファクト抑制モデルを学習したうえで、実際の心臓MRI上で同一アーキテクチャを学習した場合と比較する。
10人の患者から前向きに取得した実時間心臓MRIで評価した結果、フラクタルで学習したモデル（F-DL）と真の心臓MRIで学習したモデル（CMR-DL）との間に、質的なランキング差は有意に認められない。
F-DLとCMR-DLはいずれも、古典的ベースライン（圧縮センシングおよび低ランクの深層画像事前）を画像品質の点で上回り、臨床指標（心室容積および駆出率）もF-DLとCMR-DLで非常によく一致する。
著者らは、フラクタル訓練データがオープンでスケーラブルな代替手段として機能し得ること、またより一般化可能なダイナミックMRI再構成モデルの開発を後押しできる可能性があると結論づけている。

Abstract

目的: 合成的に生成したフラクタルデータを用いて、動的MRI再構成のための深層学習（DL）モデルを訓練できるかどうかを調査し、それによって心臓MR訓練データセットに関連するプライバシー、ライセンス、利用可能性の制約を回避する。方法: クォータニオン・ジュリア（quaternion Julia）フラクタルを用いて訓練データセットを生成し、2D＋時間画像を作成した。マルチコイルMRI取得をシミュレートし、完全サンプリングおよび放射状にアンダーサンプリングしたk空間データのペアを生成した。これらのフラクタルデータ（F-DL）を用いて、3D UNetの深層アーチファクト抑制モデルを訓練し、心臓MRIデータ（CMR-DL）で訓練した同一のモデルと比較した。両モデルは、10人の患者から前向きに取得した放射状リアルタイム心臓MRIで評価した。再構成は圧縮センシング（CS）および低ランク・ディープ画像事前情報（LR-DIP）と比較した。全ての再構成は画像品質について順位付けされ、さらに心室容積と駆出率は、参照となる息止めシネMRIと比較した。結果: F-DLとCMR-DLの定性的順位付けに有意差はなかった（p=0.9）が、両者ともCSおよびLR-DIPを上回った（p<0.001）。F-DLから得られた心室容積と機能はCMR-DLと類似しており、有意なバイアスはなく、参照シネ画像との比較において許容可能な一致限界を示した。しかし、LR-DIPには有意なバイアスがあった（p=0.016）ほか、より広い一致限界であった。結論: 合成フラクタルデータで訓練したDLモデルは、画像品質および臨床的計測値の点で、真の心臓MRIデータで訓練したモデルと同等のものとして、リアルタイム心臓MRIを再構成できる。フラクタルトレーニングデータは、臨床データセットに対するオープンでスケーラブルな代替手段を提供し、動的MRI向けのより汎化可能なDL再構成モデルの開発を可能にする可能性がある。