Is Registering Raw Tagged-MR Enough for Strain Estimation in the Era of Deep Learning?
作者: Zhangxing Bian, Ahmed Alshareef, Shuwen Wei, Junyu Chen, Yuli Wang, Jonghye Woo, Dzung L. Pham, Jiachen Zhuo, Aaron Carass, Jerry L. Prince
分类: eess.IV, cs.CV
发布日期: 2024-01-31
备注: Accepted to SPIE Medical Imaging 2024 (oral)
💡 一句话要点
提出模型以解决标签MRI中标签褪色问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 标签MRI 深度学习 运动估计 图像配准 标签褪色 相似性损失 医学成像
📋 核心要点
- 现有的标签MRI方法在处理标签褪色现象时存在不足，影响了运动估计的准确性。
- 本研究通过建模标签褪色现象，并在深度学习框架中评估图像相似性目标，提出了一种新的解决方案。
- 实验结果表明，传统方法在标签褪色情况下的表现有限，强调了在配准任务中需谨慎选择相似性损失函数。
📝 摘要（中文）
磁共振成像（tMRI）长期以来用于量化组织在变形过程中的运动和应变。然而，标签褪色现象，即标签可见度随时间逐渐降低，常常使后处理变得复杂。本研究的第一个贡献是通过考虑$T_1$弛豫与在序列成像过程中重复施加射频（RF）脉冲之间的相互作用来建模标签褪色，这是之前tMRI后处理研究中被忽视的因素。此外，我们观察到在基于深度学习的配准框架中利用原始标签MRI进行运动估计的趋势。本研究评估并分析了在训练深度学习配准时常用的图像相似性目标对原始tMRI的影响，并与声称对标签褪色具有鲁棒性的传统谐波相位方法进行了比较。我们的发现来自模拟图像和实际的幻影扫描，揭示了原始tMRI中各种相似性损失的局限性，并强调在图像强度随时间变化的配准任务中需谨慎处理。
🔬 方法详解
问题定义：本论文旨在解决标签MRI中标签褪色对运动估计的影响。现有方法未能充分考虑$T_1$弛豫与射频脉冲的相互作用，导致运动估计精度下降。
核心思路：通过建模标签褪色现象，结合深度学习的图像配准框架，评估不同图像相似性目标对原始tMRI的影响，以提高运动估计的准确性。
技术框架：研究首先构建了标签褪色模型，然后在深度学习框架中实现了图像配准，最后通过对比传统谐波相位方法进行性能评估。主要模块包括标签褪色建模、深度学习配准和相似性损失评估。
关键创新：本研究的创新点在于首次将标签褪色现象与深度学习配准结合，提出了新的模型来处理标签可见度降低的问题，显著提高了运动估计的鲁棒性。
关键设计：在实验中，选择了多种相似性损失函数进行比较，并在深度学习网络中采用了特定的参数设置，以确保模型在标签褪色情况下的有效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用深度学习框架的原始tMRI配准在处理标签褪色时，相较于传统谐波相位方法，表现出更高的运动估计精度，尤其在标签可见度降低的情况下，提升幅度显著。
🎯 应用场景
该研究的潜在应用领域包括心脏病学和运动医学等领域，能够为临床提供更准确的组织运动和应变分析，进而改善疾病诊断和治疗方案。未来，该方法可能推动MRI技术在动态成像中的广泛应用。
📄 摘要（原文）
Magnetic Resonance Imaging with tagging (tMRI) has long been utilized for quantifying tissue motion and strain during deformation. However, a phenomenon known as tag fading, a gradual decrease in tag visibility over time, often complicates post-processing. The first contribution of this study is to model tag fading by considering the interplay between $T_1$ relaxation and the repeated application of radio frequency (RF) pulses during serial imaging sequences. This is a factor that has been overlooked in prior research on tMRI post-processing. Further, we have observed an emerging trend of utilizing raw tagged MRI within a deep learning-based (DL) registration framework for motion estimation. In this work, we evaluate and analyze the impact of commonly used image similarity objectives in training DL registrations on raw tMRI. This is then compared with the Harmonic Phase-based approach, a traditional approach which is claimed to be robust to tag fading. Our findings, derived from both simulated images and an actual phantom scan, reveal the limitations of various similarity losses in raw tMRI and emphasize caution in registration tasks where image intensity changes over time.