High-Resolution Diffusion-MRI by Super-Resolution Reconstruction Using Slice Excitation with Random Overlap

Abstract

Magnetic Resonance Imaging (MRI) is a powerful tool for diagnostics in medical imaging, where diffusion-weighted (DW) MRI is a modality used for probing tissue microstructure and function at a molecular level. Due to poor signal-to-noise ratio (SNR) and spatial resolution in DW-MRI, the noise floor typically induces a large signal bias by elevating the signal intensity. This bias affects the accuracy of the experimental result. A certain level of SNR is needed to minimise the noise floor effect. The purpose of this study was to solve issues regarding the noise floor signal bias problem through a novel sampling scheme and super-resolution reconstruction (SRR).

In recent years, SRR has been a promising solution to the problem. SRR ensures that the resolution is recovered in the through-plane direction while maintaining a high SNR, without affecting the acquisition time much. This is done by acquiring a large quantity of low-resolution images of the object where each image contributes with new information, and finding a single high-resolution image that explains these low-resolution images. This is however typically an ill-posed problem in a least squares sense.

In this study, a novel approach to SRR is proposed with Slice Excitation with Random Overlap (SERO) instead of serial slice excitation, and compared to the established Slice Shifting method and conventional high-resolution direct sampling. Sampling data by SERO results in a distribution of repetition times (TR), ensuring variable intra-slice T1-weighting, helping the ill-posedness of the SRR-problem.
A reconstruction algorithm utilising numerical gradient decent to estimate diffusion and relaxation parameters for SERO was implemented. The accuracy and precision of SERO was then assessed through numerical simulations by generating a one-dimensional structure, and through reconstruc- tion of a numerical brain phantom. The accuracy and precision was compared to that of Slice Shifting and high-resolution direct sampling. A machine learning approach for parameter estima- tion was designed, aimed at increasing the computational time of the fitting process. An MRI pulse sequence compatible with random slice positions was designed using the Matlab- based Pulseq framework in order to demonstrate SERO on in vivo brain data.

The results showed an improved accuracy for SERO compared to Slice Shifting and high-resolution direct sampling in the lower SNR-regions. However, the precision of direct sampling was still better. The artificial neural network (ANN) showed an improved accuracy and precision relative to the numerical gradient decent based approach in one dimension. However, when tested on real brain data, the ANN did not find any adequate solutions to the parameter estimations.

Popular Abstract (Swedish)

Magnetresonanstomografi, eller MRI, är en central och växande del av dagens vård, vilket ger läkare en bred verktygslåda för att diagnostisera en mängd olika medicinska tillstånd. En typ av undersökning som går att utföras med en magnetkamera är diffusionsundersökningar, som speglar partiklars slumpmässiga rörelse i vatten. Denna typ av undersökning möjliggör kartläggning av organ baserat på vävnadernas mikrostrukturer och egenskaper. Sådan typ av kartläggning öppnar möjligheter för att exempelvis detektera cancer.

I alla MRI-bilder finns brus, och det finns alltid en miniminivå av bruset som kallas för brusgolvet. Diffusionsundersökningar är inte en lätt undersökning att utföra rent tekniskt, och den insamlade signalen är ofta starkt påverkad av detta brusgolv. Det är däför viktigt att man samlar in så mycket signal som möjligt, för att minimera effekterna som brusgolvet har på signalen. Ett sätt att göra detta är att samla in signalen med tjockare voxlar. Detta gör att signalen i varje voxel ökar, och brusgolvseffekten minskar. Nackdelen med detta är dock att upplösningen i den riktning som man utökat voxelstorleken minskar. Ett annat sätt öka signalen i förhållande till bruset är utföra experimentet flera gånger, och ta ett medelvärde av de insamlade signalerna. Nackdelen med detta är att undersökningstiden ökar med varje repetition. En MRI-undersökning är alltså alltid en vägning mellan signal-till-brus förhållandet, upplösning och insamlingstid. Superupplös- ning har under de senare åren visat sig vara en lovande lösning till detta problem, där man kan bibehålla en hög upplösning och förbättrat signal-till-brus förhållande utan att dramatiskt påverka undersökningstiden.

I denna studie testas en ny superupplösningsmetod, SERO, och jämförs med redan etablerade metoder (den så kallade Slice Shifting-metoden och konventionell högupplöst signalinsamling). Metoden går ut på att samla in ett stort antal lågupplösta MRI-bilder i en slumpmässig ord- ning, som sedan återskapas till fyra högupplösta parameterkartor som representerar vävnadens egenskaper.

Simuleringar gjordes först i en dimension följt av rekonstruktion på ett numeriskt hjärnfantom. Metodens precision och träffsäkerhet evaluerades och jämfördes med redan etablerade metoder. En pulssekvens kompatibel med vår superupplösningsmetod designades och testades på en frisk hjärna, och jämfördes med de tidigare etablerade metoderna i form av hur väl parameterkartorna återskapades. Slutligen designades ett artificiellt nätverk för att skatta parameterkartornan, som sedan jämfördes med minsta-kvadrat anpassningen.

Resultaten från simuleringarna tydde på att vår superupplösningsmetod hade en förbättrad träff- säkerhet än de metoder som den jämfördes med. Precisionen hos den konventionella högupplösta signalinsamlingsmetoden var dock bättre än vår superupplösningsmetod. Resultatet från det arti- ficiella nätverket var positivt i en dimension, där nätverket både hade en förbättrad träffsäkerhet och precision i jämförelse med en minsta-kvadrat anpassning. Däremot var situationen omvänd när nätverket applicerades på riktig data från en frisk hjärna, där nätverket inte lyckades återskapa några korrekta parameterkartor.

• author: Mortensen, Felix
• supervisor: Filip Szczepankiewicz; Malwina Molendowska; Jakub Jurek; Frederik Testud
• organization: Medical Physics Programme
• course: MSFT02 20241
• year: 2024
• type: H2 - Master's Degree (Two Years)
• subject: Medicine and Health Sciences
• language: English
• id: 9160336
• date added to LUP: 2024-06-20 08:34:47
• date last changed: 2024-06-20 08:34:47