Preliminary study for deep learning of MR images to predict maps for cerebral blood flow and metabolism

2019 Fiscal Year Research-status Report

• Project/Area Number: 19K08239
• Research Institution: Akita Cerebrospinal and Cardiovascular Center
• Principal Investigator: 松原 佳亮 秋田県立循環器・脳脊髄センター(研究所), 放射線医学研究部, 研究員 (40588430)
• Co-Investigator(Kenkyū-buntansha): 茨木 正信 秋田県立循環器・脳脊髄センター(研究所), 放射線医学研究部, 主任研究員 (40360359) ; 篠原 祐樹 秋田県立循環器・脳脊髄センター(研究所), 放射線医学研究部, 主任研究員 (60462470)
• Project Period (FY): 2019-04-01 – 2022-03-31
• Keywords: 深層学習 / PET / MRI / 脳循環代謝

Outline of Annual Research Achievements

深いニューラルネットワークにより学習を行う深層学習が広範な分野で目覚しい成果を挙げており，特に近年U-NetやGANなどの画像を異なる種類の画像へ変換する，または新しい画像を生成する技術の研究開発及び応用が進んでいる．
一方で脳卒中の診療における意思決定プロセスにおいて脳血流量や酸素代謝などの脳循環パラメータが有用であり，PET, MRI検査でそれらを取得することが可能である．しかし，それらの検査は特殊な撮像機器・撮像法を要する，撮像時間が長い，被検者に対する負担が大きいなどの問題がある．
本研究課題では被検者への負担が少ない簡便な脳循環評価法の提案・開発を目的とし，MR画像をベースとした深層学習による脳循環画像の予測・生成を試みる．特にルーチンで撮像される基本的なMR画像の予測・生成を行うことで，被検者への負担を抑えつつ脳循環を正確に評価することを目的としている．
本研究ではまず磁化率強調像，及びその他のルーチンで撮像されるMR画像から酸素摂取率 (OEF)の画像のU-Netによる予測生成を試みた．その結果，残念ながら磁化率強調像及びMR画像のみの学習ではOEF画像を正確に予測することができなかった [真のOEF画像との類似度 (SSIM): 0.419 +/- 0.037]．そこでPET検査で取得した脳血流量 (CBF), 脳血液量 (CBV)の画像を入力に加えたところ，真のOEF画像と類似した画像の予測生成に成功した [SSIM: 0.585 +/- 0.045]．今後はさらなる精度改善のために負荷時CBFの入力への追加やGANの利用を検討する予定である．

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

ルーチンMR画像からのOEF画像の予測はできなかったが，OEF画像の予測生成自体には成功しており，部分的ではあるが1年目までの目標は達成できたといえる．

Strategy for Future Research Activity

今後は負荷時CBFを入力として追加したり，近年目覚ましい成果を挙げているGANの利用も検討する予定である．またOEF以外の画像生成についても検討する予定である．

Causes of Carryover

出席を想定していた学会等に諸事情で参加しなかったため．また参加した学会への旅費も想定より安く抑えることができたため．
２年目については現在使用しているGPU搭載ワークステーションが耐用年数超過になるため，その更新費用に研究費を充当する予定である．またこれまでの研究成果を発表するための学会参加費に充当する予定である．