肺ASL MR画像における導管容器信号の寄与から灌流を識別する統計的クラスタリングアプローチ

動脈スピン標識（ASL）磁気共鳴画像法を使用した肺灌流（ボクセル内の毛細血管層に送達される血液）の測定は、肺の遠くの位置でボクセルを運ぶ血液を運ぶ導管容器からの信号アーチファクトによって複雑になることがよくあります。コンジット容器の寄与を扱う1つのアプローチには、ASL信号に絶対しきい値が適用されることが含まれます。最も支配的な高信号導管画像機能のサブセットを識別するのに役立ちますが、信号のしきい値は、中間および低信号での灌流と導管容器の寄与を区別することはできません。別の方法として、この記事では、完全な信号スペクトルにわたって毛細血管灌流と導管容器の寄与を特徴付けるための統計的クラスタリングに基づくデータ駆動型の統計的アプローチについて説明します。ASLフローイメージは、タグ付き磁気共鳴画像のペア間の違いから構築されます。ただし、画像ペアを独立した測定値（2つの画像の減算に起因する単変量量ではなく）として扱う二変量投影と見なされると、毛細血管灌流の寄与に関連する信号は、コンジット容器の寄与に関連する信号とは無関係にクラスター化されることが観察されます。ガウス混合モデルを使用して観測されたクラスターを分析すると、ASL画像の完全な信号スペクトルにわたって導管容器と毛細血管灌流が支配的なシグナル寄与を区別することができます。実現可能性の実証として、この研究では、提案されたクラスタリングアプローチを少数のテスト画像で標準の絶対信号しきい値戦略と比較します。

The measurement of pulmonary perfusion (blood delivered to the capillary bed within a voxel) using arterial spin labeling (ASL) magnetic resonance imaging is often complicated by signal artifacts from conduit vessels that carry blood destined for voxels at a distant location in the lung. One approach to dealing with conduit vessel contributions involves the application of an absolute threshold on the ASL signal. While useful for identifying a subset of the most dominant high signal conduit image features, signal thresholding cannot discriminate between perfusion and conduit vessel contributions at intermediate and low signal. As an alternative, this article discusses a data-driven statistical approach based on statistical clustering for characterizing and discriminating between capillary perfusion and conduit vessel contributions over the full signal spectrum. An ASL flow image is constructed from the difference between a pair of tagged magnetic resonance images. However, when viewed as a bivariate projection that treats the image pair as independent measures (rather than the univariate quantity that results from the subtraction of the two images), the signal associated with capillary perfusion contributions is observed to cluster independently of the signal associated with conduit vessel contributions. Analyzing the observed clusters using a Gaussian mixture model makes it possible to discriminate between conduit vessel and capillary-perfusion-dominated signal contributions over the full signal spectrum of the ASL image. As a demonstration of feasibility, this study compares the proposed clustering approach with the standard absolute signal threshold strategy in a small number of test images.