Feature-basierter Loss für KI-Modelle zur Auflösungsverbesserung von MR-Diffusionsdaten des Gehirns

Zielsetzung Die Auflösung von MR-Diffusionsdaten ist bei klinischer Messzeit eingeschränkt, was komplexere Analysen wie Traktografie und Konnektivität verhindert. KI-Modelle können die räumliche Auflösung von MR-Bildern retrospektiv verbessern. Ziel dieser Studie ist die Verbesserung solche Modelle durch die Optimierung einer Loss-Funktion basierend auf den Features der diffusionsgewichteten Bilder (DWIs).

Material und Methoden KI-Modelle wurden mittels Pytorch und fastAI entwickelt und anhand von n=10 7T-Diffusionsdatensätze (korrespondierende Bilder niedriger und hoher Auflösung, Faktor 2) vom „Human connectome project“ trainiert. Als Architektur kam eine Kombination aus UNet und ResNet18 zur Anwendung. Während des Trainings wurden Modell-Vorhersagen für Bilder niedriger Auflösung und die Referenzbilder durch ein vortrainiertes Klassifizierungs-Modell (VGG16) geschickt, wobei mit entstehenden Features aus fünf Ebenen jeweils ein L1-Loss berechnet wurde. Die Summe dieser, plus ein L1-Loss auf Basis der DWI, bildete die Optimierungsfunktion. Eine Ablations- sowie eine Isolationsstudie wurden durchgeführt, um den Einfluss der fünf Feature-Loss-Komponenten sowie deren optimale Kombination zu ermitteln. Alle Modelle wurden mittels n=5 weiteren 7T-Datensätzen getestet.

Ergebnisse SSIM-Werte für die zentrale Schicht (b0-Bilder) in den fünf Testdatensätzen lagen im Mittel zwischen 0,925-0,942. Die besten Werte erzielten dabei Modelle die Features auf Basis der ersten beiden Ebenen des VGG16-Modells verwendeten. SSIM-Werte für b-Werte von 1000 s/mm² und 2000 s/mm² waren niedriger (0,873-0,891 und 0,842-0,857). In ROI-basierten (Anterior und Posterior Commissure) Analysen zeigten MD und FA die höchste Übereinstimmung zu den Originaldaten für dieselben Modelle.

Schlussfolgerungen KI-Modelle zur Auflösungsverbessung von DWIs scheinen abhängig von SNR zu sein. Feature-basierter Loss kann die Integrität von Diffusionsparametern verbessern, was eine klinische Anwendung komplexerer Analysen zunünftig erleichtert.

Publication History

Article published online:
25 March 2025