Comprender la armonización de imágenes de resonancia magnética

La resonancia magnética (IRM) es un método de obtención de imágenes médicas valioso y versátil, aunque a menudo muestra calidad de imagen heterogénea a través de diferentes protocolos y escáneres.

Con frecuencia observamos variaciones en las imágenes durante el análisis de datos, en particular cuando se manejan datos del mundo real de varios centros de imágenes. Estas discrepancias pueden deberse a diferentes fabricantes de escáneres, modelos de escáneres o protocolos de adquisición. Esto genera diferencias notables en los valores de intensidad de las imágenes. Estas variaciones presentan desafíos sustanciales para la creación de modelos confiables y de aplicación universal.¹También afectan la reproducibilidad de los biomarcadores de imágenes cuantitativas y las características radiómicas.², crucial para el desarrollo de sistemas de apoyo a la toma de decisiones clínicas. Esta variabilidad es particularmente prominente en las imágenes de resonancia magnética (RM) porque, a diferencia de las tomografías computarizadas (TC), donde los valores de intensidad están estandarizados a unidades Hounsfield (que también requieren cierto grado de armonización), las intensidades de las imágenes de RM no están normalizadas a una unidad de medida estándar. As puede ser observado in Figura 1 y XNUMX, SEÑORI escanea adquirida con diferentes tiempos de eco (TE) y tiempos de repetición (TR) dan como resultado diferencias en las intensidades de la imagen.

Armonización de imágenes de resonancia magnética — Figura 1. Resonancia magnética T2w de próstata con diferentes valores de TR y TE.

Esfuerzos para estandarizar las exploraciones por resonancia magnética A menudo nos enfrentamos a desafíos debido a las variaciones.n configuración de hardware, software o escaneo Lo que puede afectar la precisión de resultados cuantitativos. Esta cuestión se vuelve particularmente importante cuando se utilizan tecnologías avanzadas como la inteligencia artificial (IA) o los métodos de análisis digital. En estudios multicéntricos o de largo plazo, donde la coherencia es fundamental, estas variaciones pueden afectar significativamente la fiabilidad de los hallazgos. Por lo tanto, abordar estos desafíos es crucial para garantizar la calidad y la coherencia de los datos de resonancia magnética en dichas investigaciones.

De los métodos tradicionales a las técnicas de Deep Learning que gestionan las variaciones en las imágenes médicas

Las técnicas tradicionales de visión artificial suelen emplear métodos para normalizar, centrar y estandarizar las intensidades de las imágenes. Estas técnicas suelen escalar los valores de intensidad a un rango común, ajustar la intensidad media a cero y garantizar la varianza unitaria. Sin embargo, estos métodos convencionales aún no han logrado un rendimiento de generalización sólido en imágenes médicas, principalmente cuando se trabaja con datos de varios centros de imágenes.

Para abordar estos desafíos es necesario incorporar datos de múltiples centros de imágenes al proceso de capacitación. Sin embargo, recopilar datos tan diversos es un desafío debido a la necesidad de información sustancial de estos centros. Si bien se han empleado algoritmos de eliminación de ruido tradicionales, como Diffusion Anisotropic, N4 o filtros de corrección de campo de polarización para mejorar la calidad de la imagen,^3,4,5, su capacidad para generalizarse a través de diferentes fuentes de ruido y el sustancial costo computacional involucrado restringen su aplicación práctica en entornos clínicos.

Para superar las limitaciones de los métodos tradicionales, es fundamental explorar técnicas de aprendizaje profundo para gestionar las variaciones en las imágenes médicas. Estas técnicas se centran en el desarrollo de métodos de estandarización de imágenes capaces de gestionar las heterogeneidades observadas en el campo. Técnicas de generación de imágenes, que crean nuevas imágenes generalmente basadas en las existentes.⁶ se han vuelto cada vez más relevantes en las imágenes médicas debido a los desafíos de generalización que enfrentan las soluciones basadas en IA.

En los últimos años se han producido avances apasionantes en este campo, con logros notables en tareas como la restauración de imágenes (rellenar partes faltantes de las imágenes).⁷, mejorando la calidad o resolución de la imagen^8,9, reducción de ruido^10,11,12, y transferencia de estilo utilizando técnicas como Cycle-GAN^13,14.

La metodología de Quibim

En este sentido, Quibim ha introdujo una metodología novedosa que aprovecha técnicas autosupervisadas y hace uso del dominio de la frecuencia de una manera única, Generar sintéticamente variaciones de contraste a partir de imágenes originales, homogéneas y de alta calidad. que actúan como grupo de referencia. referente grupo de XNUMX reúne las most deseado imagen Imagen a Diseño representaciones a lo cual las resto of las las imágenes will imitar, y is único compuesto by las best casos 13, as miles of alteraciones son obtenido por la cada una case. Este enfoque implica entrenar una red neuronal convolucional (CNN) para estandarizar estos contrastes generados variados con el mismo grupo de referencia. Esta solución simple pero innovadora se puede generalizar de manera efectiva, particularmente porque la red está expuesta a una amplia gama de alteraciones de contraste con fines de aprendizaje.

Figura 2 y XNUMX muestra un ejemplo de alteraciones realizadas en una muestra de la referencia grupo de XNUMXLa imagen de referencia se transforma en el dominio de frecuencia. donde se aplican miles de alteraciones (fila inferior)Finalmente, estas imágenes del dominio de frecuencia alteradas se transforman nuevamente al dominio de imágenes donde Se observan alteraciones sintéticas en las intensidades de la imagen. (fila superior).

Trabajar dentro del dominio de la frecuencia ha sido el aspecto clave de esta metodología, los datos en El espacio K es un concepto fundamental en la resonancia magnética, que representa los datos brutos adquiridos durante una exploración por resonancia magnética. Los datos en el espacio K, obtenidos a través de gradientes magnéticos y pulsos de radiofrecuencia, se transforman mediante la transformación de Fourier desde el dominio de frecuencia al dominio de imagen, lo que da como resultado una imagen interpretable. El espacio K se puede conceptualizar como una matriz con puntos que representan frecuencias y fases específicas de la señal, donde el centro captura componentes de baja frecuencia y la periferia captura componentes de alta frecuencia. De acuerdo a esto, es posible realizar cambios en características sutiles como el contraste or brillo de la imagen manteniendo el contenido de la muestra original.Los datos originales del espacio K ya no están disponibles cuando la imagen llega al PACS, pero es posible acceder al dominio de frecuencia realizando la transformación de Fourier..

Este enfoque implica entrenar una red neuronal convolucional (CNN) para estandarizar estos contrastes generados variados con el mismo grupo de referencia. Esta solución simple pero innovadora se puede generalizar De manera efectiva, en particular porque la red está expuesta a una amplia gama de alteraciones de contraste con fines de aprendizaje., posibilitando la .entrenamiento por pares, alineando cada muestra con su contraparte alterada, mejorando así la robustez y adaptabilidad del modelo en diversos escenarios de imágenes médicas.

Figura 3 muestra algunos resultados de nuestra solución innovadora, podemos ver cómo podemos Estandarizar las intensidades de las imágenes en un conjunto de datos con una dinámica de resonancia magnética heterogénearango ic.

El enfoque de Quibim marca un avance significativo en la superación de los desafíos de larga data de la estandarización de imágenes en imágenes médicas, ayudando a encontrar herramientas de diagnóstico más confiables y precisas.

Referencias

Kushol, R., Parnianpour, P., Wilman, AH Figura XNUMX Efectos de los fabricantes de escáneres de resonancia magnética en tareas de clasificación con modelos de aprendizaje profundo. Sci Rep 13, 16791 (2023). https://doi.org/10.1038/s41598-023-43715-5
Mi H, Yuan M, Suo S, Cheng J, Li S, Duan S, Lu Q. Impacto de diferentes escáneres y parámetros de adquisición en la solidez de las características radiómicas de RM basadas en el cuello uterino de la mujer. Sci Rep. 2020 de noviembre de 23;10(1):20407. doi: 10.1038/s41598-020-76989-0. PMID: 33230228; PMCID: PMC7684312.
Caio A. Palma, Fábio AM Cappabianco, Jaime S. Ide, Paulo AV Miranda, Funcionamiento y limitaciones del filtrado de difusión anisotrópica: evaluación de imágenes por resonancia magnética IVolúmenes de Actas de la FAC,
Tustison NJ, Avants BB, Cook PA, Zheng Y, Egan A, Yushkevich PA, Gee JC. N4ITK: corrección de sesgo N3 mejorada. IEEE Trans Med Imaging. Junio de 2010;29(6):1310-20. doi: 10.1109/TMI.2010.2046908. Publicación electrónica 2010 de abril de 8. PMID: 20378467; PMCID: PMC3071855.
SONG, Shuang; ZHENG, Yuanjie; HE, Yunlong. Una revisión de métodos para la corrección de sesgo en imágenes médicas. Biomedical Engineering Review, [Sl], v. 1, n. 1, sep. 2017. ISSN 2375-9151. 
Roberto Gozalo-Brizuela, Eduardo C. Garrido-Merchán. Una encuesta sobre aplicaciones de IA generativa, mayo. 2023
Hanyu Xiang, Qin Zou, Muhammad Ali Nawaz, Xianfeng Huang, Fan Zhang, Hongkai Yu, Aprendizaje profundo para la pintura de imágenes: una encuesta, reconocimiento de patrones, Volumen 134, 2023,109046,ISSN 0031 3203,https://doi.org/10.1016/j.patcog.2022.109046.
Yamashita, Koki y Markov, Konstantin. (2020). Mejora de imágenes médicas mediante métodos de súper resolución. 10.1007/978-3-030-50426-7_37.
Yuan Ma, Kewen Liu, Hongxia Xiong, Panpan Fang, Xiaojun Li, Yalei Chen, Zejun Yan, Zhijun Zhou, Chaoyang Liu, Superresolución de imágenes médicas utilizando una red generativa adversaria promedio relativista, Instrumentos y métodos nucleares en la investigación en física, sección A: aceleradores, espectrómetros, detectores y equipos asociados, volumen 992, 2021, 165053, ISSN 0168-9002, https://doi.org/10.1016/j.nima.2021.165053.
Kaur P, Singh G, Kaur P. Una revisión de la eliminación de ruido de imágenes médicas mediante aprendizaje automático  Enfoques. Curr Med Imaging Rev. 2018 Oct;14(5):675-685. doi: 10.2174/1573405613666170428154156. PMID: 30532667; PMCID: PMC6225344.
Arshaghi, Ali y Ashourian, Mohsen y Ghabeli, Leila. (2020). Eliminación de ruido de imágenes médicas mediante aprendizaje automático, enfoques de aprendizaje profundo: una encuesta. Current Medical Imaging Anteriormente, Current Medical Imaging Reviews. 16.10.2174/1573405616666201118122908.
Junshen Xu, Elfar Adalsteinsson, Deformed2Self: eliminación de ruido autosupervisada para imágenes médicas dinámicas arXiv: 2106.12175 
Joonhyeok Yoon, Sooyeon Ji, Eun-Jung Choi, Hwihun Jeong y Jongho Lee, Universidad Nacional de Seúl, Seúl, Corea, República de, Armonización entre proveedores basada en Paired CycleGAN https://archive.ismrm.org/2022/1881.html
Modanwal, Gourav y Vellal, Adithya y Buda, Mateusz y Mazurowski, Maciej. (2020). Armonización de imágenes de resonancia magnética mediante una red generativa adversaria consistente en ciclos. 36. 10.1117/12.2551301.

Eduardo Ibor