Comprensione dell'armonizzazione delle immagini MRI

La risonanza magnetica per immagini (RMI) è un metodo di imaging medico prezioso e versatile, ma spesso mostra qualità dell'immagine eterogenea attraverso diversi protocolli e scanner.  

Vediamo regolarmente variazioni di immagini nell'analisi dei dati, in particolare quando si gestiscono dati del mondo reale da più centri di imaging. Queste discrepanze possono derivare da diversi produttori di scanner, modelli di scanner o protocolli di acquisizione. Ciò porta a notevoli differenze nei valori di intensità delle immagini. Tali variazioni presentano sfide sostanziali nella creazione di modelli universalmente applicabili e affidabili¹Hanno inoltre un impatto sulla riproducibilità dei biomarcatori di imaging quantitativo e delle caratteristiche radiomiche², cruciale per lo sviluppo di sistemi di supporto alle decisioni cliniche. Questa variabilità è particolarmente evidente nelle immagini di risonanza magnetica (RM) perché, a differenza delle scansioni di tomografia computerizzata (TC), in cui i valori di intensità sono standardizzati in unità Hounsfield (che richiedono anche un certo grado di armonizzazione), le intensità delle immagini RM non sono normalizzate in un'unità di misura standard. As può essere osservato in Figure 1 , SIGI scansioni acquisito con tempi di eco (TE) e tempi di ripetizione (TR) diversi determinano differenze nelle intensità delle immagini. 

Sforzi per standardizzare le scansioni MRI spesso si incontrano sfide dovute alle variazioni in impostazioni hardware, software o di scansione che può influire sulla precisione di risultati quantitativi. Questo problema diventa particolarmente importante quando si utilizzano tecnologie avanzate come l'intelligenza artificiale (IA) o metodi di analisi digitale. Negli studi multi-sito o a lungo termine, in cui la coerenza è fondamentale, queste variazioni possono influenzare significativamente l'affidabilità dei risultati. Pertanto, affrontare queste sfide è fondamentale per garantire la qualità e la coerenza dei dati MRI in tale ricerca.  

Dai metodi tradizionali alle tecniche di Deep Learning che gestiscono le variazioni nell'imaging medico

Le tecniche tradizionali di computer vision spesso impiegano metodi per normalizzare, centrare e standardizzare le intensità delle immagini. Queste tecniche in genere scalano i valori di intensità a un intervallo comune, regolano l'intensità media a zero e assicurano la varianza unitaria. Tuttavia, questi metodi convenzionali devono ancora raggiungere solide prestazioni di generalizzazione nell'imaging medico, principalmente quando si lavora con dati provenienti da vari centri di imaging. 

Per affrontare queste sfide è necessario incorporare dati da più centri di imaging nel processo di formazione. Tuttavia, raccogliere dati così diversi è una sfida a causa della necessità di informazioni sostanziali da questi centri. Mentre algoritmi di denoising tradizionali come Diffusion Anisotropic, N4 o filtri di correzione del campo di polarizzazione sono stati impiegati per migliorare la qualità dell'immagine^3,4,5, la loro capacità di generalizzare attraverso diverse fonti di rumore e il notevole costo computazionale coinvolto limitano la loro applicazione pratica in ambito clinico. 

Per superare i limiti dei metodi tradizionali, è fondamentale esplorare tecniche di Deep Learning per gestire le variazioni nell'imaging medico. Queste tecniche si concentrano sullo sviluppo di metodi di standardizzazione delle immagini in grado di gestire le eterogeneità osservate sul campo. Tecnica di generazione delle immagini, che crea nuove immagini solitamente basate su quelle esistenti⁶ sono diventati sempre più rilevanti nell'imaging medico a causa delle sfide di generalizzazione che le soluzioni basate sull'intelligenza artificiale devono affrontare.  

Negli ultimi anni si sono registrati entusiasmanti progressi in questo ambito, con notevoli risultati in attività come l'inpainting delle immagini (riempimento di parti mancanti delle immagini)⁷, migliorando la qualità o la risoluzione dell'immagine^8,9, riduzione del rumore^10,11,12e trasferimento di stile utilizzando tecniche come Cycle-GAN^13,14. 

La metodologia di Quibim 

A questo proposito, Quibim ha ha introdotto una nuova metodologia che sfrutta tecniche di auto-supervisione e utilizza il dominio della frequenza in modo unico, per generare sinteticamente variazioni di contrasto da immagini originali, di alta qualità e omogenee che fungono da gruppo di riferimento. Questo riferimento di gruppo riunisce , il maggior parte desiderato Immagine caratteristica rappresentazioni a quale , il riposo of , il immagini andrete a imitare, e is esclusivamente composto by , il best casi 13, as migliaia of alterazioni sono ottenuto per ogni Custodie. Questo approccio prevede l'addestramento di una rete neurale convoluzionale (CNN) per standardizzare questi contrasti generati in modo vario allo stesso gruppo di riferimento. Questa soluzione semplice ma innovativa può essere generalizzata in modo efficace, soprattutto perché la rete è esposta a un'ampia gamma di alterazioni del contrasto per scopi di apprendimento. 

Figure 2 mostra un esempio di tuttointerazioni eseguite su un campione di riferimento di gruppoL'immagine di riferimento viene trasformata nel dominio della frequenza dove vengono applicate migliaia di modifiche (riga inferiore). Infine, queste immagini alterate del dominio di frequenza vengono trasformate nuovamente nel dominio di imaging in cui si osservano alterazioni sintetiche sulle intensità delle immagini (prima fila).

Lavorare nel dominio della frequenza è stato l'aspetto chiave di questa metodologia, i dati in K-space è un concetto fondamentale nella risonanza magnetica, che rappresenta i dati grezzi acquisiti durante una scansione MRI. I dati in K-space, ottenuti tramite gradienti magnetici e impulsi a radiofrequenza, vengono trasformati tramite la trasformazione di Fourier dal dominio della frequenza al dominio di imaging, dando origine a un'immagine interpretabile. K-space può essere concettualizzato come una matrice con punti che rappresentano frequenze e fasi specifiche del segnale, dove il centro cattura componenti a bassa frequenza e la periferia cattura componenti ad alta frequenza, in base a ciò è possibile effettuare modifiche in caratteristiche sottili come il contrasto or luminosità dell'immagine mantenendo il contenuto del campione originale. Oi dati grezzi originali dello spazio K non sono più disponibili quando l'immagine raggiunge il PACS, ma è possibile accedere al dominio della frequenza eseguendo la trasformazione di Fourier. 

Questo approccio prevede l'addestramento di una rete neurale convoluzionale (CNN) per standardizzare questi contrasti generati in modo vario allo stesso gruppo di riferimento. Questa soluzione semplice ma innovativa può essere generalizzata in modo efficace, in particolare perché la rete è esposta a un'ampia gamma di alterazioni di contrasto per scopi di apprendimento, permettendo.addestramento in coppia, allineando ogni campione con la sua controparte modificata, migliorando così la robustezza e l'adattabilità del modello in diversi scenari di imaging medico. 

figura 3 mostra alcuni risultati della nostra soluzione innovativa, possiamo vedere come possiamo standardizzare le intensità delle immagini su un set di dati con una dinamica MRI eterogeneagamma ic. 

L'approccio di Quibim segna un significativo passo avanti nel superamento delle annose sfide della standardizzazione delle immagini nell'imaging medico, contribuendo a trovare strumenti diagnostici più affidabili e accurati. 

Referenze

1. Kushol, R., Parnianpour, P., Wilman, AH et al. Effetti dei produttori di scanner MRI nelle attività di classificazione con modelli di apprendimento profondo. Sci Rep 13, 16791 (2023). https://doi.org/10.1038/s41598-023-43715-5 
2. Mi H, Yuan M, Suo S, Cheng J, Li S, Duan S, Lu Q. Impatto di diversi scanner e parametri di acquisizione sulla robustezza delle caratteristiche radiomiche MR basate sulla cervice femminile. Sci Rep. 2020 novembre 23; 10 (1): 20407. doi: 10.1038/s41598-020-76989-0. PMID: 33230228; PMCID: PMC7684312. 
3. Caio A. Palma, Fábio AM Cappabianco, Jaime S. Ide, Paulo AV Miranda, Funzionamento e limitazioni del filtraggio a diffusione anisotropica – Valutazione della risonanza magnetica, IVolumi degli atti del FAC, 
4. Tustison NJ, Avants BB, Cook PA, Zheng Y, Egan A, Yushkevich PA, Gee JC. N4ITK: correzione migliorata della distorsione N3. IEEE Trans Med Imaging. 2010 giugno;29(6):1310-20. doi: 10.1109/TMI.2010.2046908. Epub 2010 aprile 8. PMID: 20378467; PMCID: PMC3071855. 
5. SONG, Shuang; ZHENG, Yuanjie; HE, Yunlong. Una revisione di Metodi per la correzione di bias nelle immagini mediche. Biomedical Engineering Review, [Sl], v. 1, n. 1, set. 2017. ISSN 2375-9151.  
6. Roberto Gozalo-Brizuela, Eduardo C. Garrido-Merchán. Un sondaggio sulle applicazioni di intelligenza artificiale generativa, maggio. 2023 
7. Hanyu Xiang, Qin Zou, Muhammad Ali Nawaz, Xianfeng Huang, Fan Zhang, Hongkai Yu, Apprendimento profondo per l'inpainting delle immagini: un sondaggio, riconoscimento di pattern, Volume 134, 2023,109046, ISSN 0031 3203, https://doi.org/10.1016/j.patcog.2022.109046. 
8. Yamashita, Koki e Markov, Konstantin. (2020). Miglioramento delle immagini mediche mediante metodi di super risoluzione. 10.1007/978-3-030-50426-7_37. 
9. Yuan Ma, Kewen Liu, Hongxia Xiong, Panpan Fang, Xiaojun Li, Yalei Chen, Zejun Yan, Zhijun Zhou, Chaoyang Liu, Super-risoluzione delle immagini mediche mediante una rete avversaria generativa media relativistica, Strumenti e metodi nucleari nella ricerca in fisica, Sezione A: Acceleratori, spettrometri, rilevatori e apparecchiature associate, Volume 992, 2021, 165053, ISSN 0168-9002, https://doi.org/10.1016/j.nima.2021.165053. 
10. Kaur P, Singh G, Kaur P. Una revisione della rimozione del rumore dalle immagini mediche mediante apprendimento automatico 
Approcci. Curr Med Imaging Rev. 2018 ottobre;14(5):675-685. doi: 10.2174/1573405613666170428154156. PMID: 30532667; PMCID: PMC6225344. 
11. Arshaghi, Ali e Ashourian, Mohsen e Ghabeli, Leila. (2020). Denoising Medical Images Using Machine Learning, Deep Learning Approaches: A Survey. Current Medical Imaging, in precedenza Current Medical Imaging Reviews. 16.10.2174/1573405616666201118122908. 
12. Junshen Xu, Elfar Adalsteinsson, Deformed2Self: Denoising auto-supervisionato per l'imaging medico dinamico arXiv: 2106.12175  
13. Joonhyeok Yoon, Sooyeon Ji, Eun-Jung Choi, Hwihun Jeong e Jongho Lee, Università nazionale di Seoul, Seoul, Corea, Repubblica di, Armonizzazione tra fornitori basata su CycleGAN accoppiata https://archive.ismrm.org/2022/1881.html 
14. Modanwal, Gourav & Vellal, Adithya & Buda, Mateusz & Mazurowski, Maciej. (2020). Armonizzazione delle immagini MRI utilizzando una rete avversaria generativa coerente con il ciclo. 36/10.1117.