Development and investigation of real-time myelin water imaging-based neural networks

Abstract

Artificial neural network for myelin water imaging (ANN-MWI) was developed to demonstrate the real-time processing potential with high accuracy. Additionally, the generalization accuracy of the developed network was investigated to understand the effects of different parameters on its performance. The network was designed to generate a T2 distribution from which myelin water fraction and geometric mean T2 values are calculated. To acquire the data for the network training, a gradient and spin-echo sequence was applied to healthy controls and multiple sclerosis patients. Additional data sets were utilized to exam the effects of the different scan parameters (i.e. resolution, refocusing pulse shape, echo time), signal-to-noise ratio, and disorder types (i.e. neuromyelitis optica, edema). The results between network and conventional imaging method was compared. The proposed network, ANN-MWI, resulted highly accurate values. Moreover, the network results showed high reproducibility from datasets with different resolutions, signal-to-noise ratio, and neuromyelitis optica lesions. However, other datasets with different refocusing pulse shape, echo time, and edema lesions showed increased errors, indicating the dependency of ANN-MWI on those parameters. Lastly, the average processing time was highly decreased from 7,958 sec to 0.68 sec, increasing the processing speed more than 10,000 times.

본 논문에서는 백색질 신경수초물영상(Myelin water imaging)을 실시간으로 처리하는 인공신경망 네트워크(ANN-MWI)를 개발했다. 다양한 데이터 변수가 해당 네트워크 성능에 미치는 영향을 이해하기 위해서 네트워크의 일반화 능력을 조사했다. 이 네트워크는 T2 분포를 생성하도록 설계되었으며, 생성된 T2 분포(T2 distribution)로부터 신경수초물 분율(Myelin water fraction)과 기하 평균 T2(Geometric mean T2) 값을 계산했다. 네트워크 훈련을 위해 건강한 대조군과 다발성 경화증 환자에게서 기울기 및 스핀 에코(Gradient and spin-echo) 데이터를 얻었다. 다른 스캔 매개 변수(예: 해상도, 재 초점 펄스 모양, 에코 시간), 신호 대 잡음비, 그리고 환자 유형(예: 시신경 척수염, 부종)의 효과를 검사하기 위해 추가 데이터 세트가 사용되었다. 네트워크 결과를 기존 이미징 방법과 비교해보았을 때, ANN-MWI는 매우 정확한 값을 생성했다. 또한 네트워크 결과는 해상도, 신호 대 잡음비 및 시신경 척수염 병변이 다른 데이터 세트에서 높은 재현성을 보여줬다. 그러나 재 초점 펄스 모양, 에코 시간 및 부종 병변이 다른 다른 데이터 세트에서는 오류가 증가하여 해당 매개 변수에 대한 ANN-MWI의 의존성을 나타냈다. 마지막으로 평균 처리 시간이 7,958 초에서 0.68 초로 크게 감소하여 계산 속도가 11,702 배 빨라졌다.