Deep Learning-based Metabolite Quantification in Proton Magnetic Resonance Spectroscopy of the Brain

Abstract

Nonlinear-least-squares-fitting (NLSF) is widely used in proton magnetic resonance spectroscopy (MRS) for quantification of brain metabolites. However, it is known to subject to variability in the quantitative results depending on the prior knowledge. NLSF-based metabolite quantification is also sensitive to the quality of spectra. In combination with NLSF, Cramer-Rao lower Bounds (CRLB) are used as representing lower bounds of fit errors rather than actual errors. Consequently, a careful interpretation is required to avoid potential statistical bias. The purpose of this study was to develop more robust methods for metabolite quantification and uncertainty estimation in MRS by employing deep learning that has demonstrated its potential in a variety of different tasks including medical imaging. To achieve this goal, first, a convolutional neural network (CNN) was developed. It maps typical brain spectra that are degraded with noise, line-broadening and unknown baseline into noise-free, line-narrowed, baseline-removed spectra. Then, metabolites are quantified from the CNN-predicted spectra by a simple linear regression with more robustness against spectral degradation. Second, a CNN was developed that can isolate each individual metabolite signals from a typical brain spectrum. The CNN output is used not only for quantification but also for calculating signal-to-background-ratio (SBR) for each metabolite. Then, the SBR in combination with big training data are used for estimating measurement uncertainty heuristically. Finally, a Bayesian deep learning approach was employed for theory-oriented uncertainty estimation. In this approach, Monte Carlo dropout is performed for simultaneous estimation of metabolite content and associated uncertainty. These proposed methods were all tested on in vivo data and compared with the conventional approach based on NLSF and CRLB. The methods developed in this study should be tested more thoroughly on a larger amount of in vivo data. Nonetheless, the current results suggest that they may facilitate the applicability of MRS.

두뇌 내 특정한 부위에 대한 대사체들의 종류와 농도 정보를 획득할 수 있는 자기공명분광 (MRS) 분야에서 일반적으로 활용하고 있는 비선형 최소제곱피팅 (Nonlinear least squares fitting; NSLF)은 주어진 사전 정보 (Prior knowledge)에 의존한 정량화 결과 변동 특성을 나타낸다. NLSF 기반한 두뇌 대사체 정량화는 MRS 신호품질에 민감하게 성능 변화를 나타낸다. 무엇 보다, NLSF를 통한 정량화 결과의 신뢰 지표인 크라메르-라오 하한 (Cramer-Rao lower Bound; CRLB)은 정량화 결과에 대한 오차정보를 반영하는 정확도가 아닌, 정밀도를 표현하므로, 이를 주의하여 활용하지 않으면 통계적 편향성을 나타낼 위험이 있다. 이러한 문제들로 인해 MRS는 현재까지도 제한적으로만 임상 활용되고 있는 상황이다. 따라서 본 연구는 자기공명분광법을 이용한 두뇌 대사체 정량화 과정에 있어서 딥 러닝 기술을 접목하여, 정량화 정확도를 개선하는 점에 주 목적을 두고 있다. 구체적으로 본 연구에서는 다음과 같이 두 부분에 대한 방법을 제안하였다. 첫번째로는 깊은 인공신경망을 통해 MRS 신호내의 두뇌 대사체 공명 신호만을 추출하여, 이를 간단한 선형 회귀 후처리를 통해 정량화를 할 수 있는 분석 기술을 개발하였다. 두번째로는 딥 러닝에서 예측하는 결과들에 대한 불확실성 지표를 표현하는 방법에 대해 개발하였다. 구체적으로는 빅데이터 기반의 경험적 불확실성 지표와, 베이지안 접근법에 기반한 정규분포를 따르는 불확실성 지표 표현 방법을 개발하였다. 결과적으로 제안된 방법들은 NLSF 대비 MRS 신호 품질에 덜 영향을 받으면서 낮은 정량화 결과 변동성을 나타내는 동시에, NLSF의 정량화 결과에 대한 신뢰지표인 CRLB에 비해 더 실제 오차와 상관성이 높은 불확실성 지표 성능을 보였다. 따라서 본 연구는, MRS를 활용한 두뇌 대사체 정량화에 대한 정확도 개선을 위해 딥 러닝 기술들을 활용한다면, MRS의 임상 적용 가능성을 높일 수 있음을 시사한다.