Corrección de movimiento iterativa

Srikant Kamesh Iyer, investigador científico, Canon Medical Research USA, Inc.
Hassan Haji-Valizadeh, investigador científico, Canon Medical Research USA, Inc.
Sampada Bhave, investigador científico, Canon Medical Research USA, Inc.
Saurav Sajib, investigador científico, Canon Medical Research USA, Inc.
Jennifer Wagner, especialista senior en aplicaciones e investigación clínica, Canon Medical Research USA, Inc.
Samir Sharma, director de métodos de RM, Canon Medical Research USA, Inc.

La resonancia magnética (MRI) es una modalidad de imagen relativamente lenta. Esto puede hacer que el movimiento sea inevitable durante las exploraciones del paciente. El movimiento puede ser esporádico, como tos y estornudos involuntarios, o puede ser continuo, como la respiración y el movimiento cardíaco. Dicho movimiento conduce a una degradación de la calidad de la imagen (IQ) en forma de desenfoque, imágenes fantasma y replicación. En un estudio de 192 exámenes clínicos, Andre JB. et al.¹ encontraron que el 16,4 % de las exploraciones se repitieron debido a la mala calidad del diagnóstico causada por el movimiento de moderado a severo. En la Figura 1 se muestra un ejemplo de degradación del coeficiente intelectual debido al movimiento. La presencia de artefactos de movimiento puede dificultar el diagnóstico clínico. Esto puede dar lugar a nuevas exploraciones o a la devolución de llamadas del paciente, lo que disminuye aún más la comodidad del paciente. Por tanto, existe una gran necesidad de desarrollar métodos de corrección del movimiento para la resonancia magnética.

Los métodos de corrección de movimiento están diseñados para mantener el coeficiente intelectual de diagnóstico en presencia de movimiento, lo que a su vez reducirá las reexploraciones y las devoluciones de llamadas.
Las técnicas de corrección de movimiento se pueden clasificar en términos generales en (a) métodos prospectivos y (b) retrospectivos. Las técnicas de corrección de movimiento prospectivo (PMC) ajustan la posición de adquisición en tiempo real cuando se detecta movimiento durante el escaneo. Los métodos PMC suelen depender de navegadores o dispositivos externos, como cámaras y marcadores fiduciales, para estimar el movimiento. PMC tiene una alta precisión y es eficiente porque se descartan pocos o ningún dato; sin embargo, tiene limitaciones.
La implementación de PMC es un desafío porque requiere el cálculo en tiempo real de los parámetros de movimiento y ajustes de adquisición en tiempo real. Además, los navegadores están limitados por el diseño de secuencia y el PMC basado en cámara puede impedir el flujo de trabajo al depender de calibraciones y hardware externos. Además, los métodos PMC sólo corrigen el movimiento de cuerpos rígidos.

La corrección de movimiento retrospectiva (RMC) realiza la corrección del movimiento durante la reconstrucción de la imagen. RMC no necesita hardware externo para detectar movimiento ni retroalimentación en tiempo real para actualizar el proceso de adquisición. Además, RMC puede corregir movimientos tanto rígidos como no rígidos. Al igual que PMC, los navegadores de datos se pueden combinar con RMC para corregir el movimiento. Los métodos RMC normalmente requieren poca o ninguna modificación del flujo de trabajo. Estas ventajas hacen de RMC una opción adecuada para el uso clínico habitual.

Figura 1: Ejemplo de imágenes axiales T2W sin (A) y con (B) artefactos de movimiento. En el caso de (B), el movimiento del paciente provocó artefactos y una calidad de imagen no diagnóstica.

JET de Canon es una implementación RMC para numerosas aplicaciones clínicas. JET utiliza adquisiciones radiales con palas superpuestas. Los datos se adquieren en líneas paralelas que giran alrededor del centro del espacio k. Los datos superpuestos permiten la corrección del movimiento. A pesar de sus ventajas, la adquisición radial produce artefactos como rayas, imágenes borrosas y cambios en el contraste de la imagen. Además, el muestreo radial aumenta el tiempo de exploración en comparación con el muestreo cartesiano y solo se puede aplicar a una selección limitada de ponderaciones de contraste. Por lo tanto, se buscan enfoques alternativos para RMC.

Canon ha desarrollado un nuevo enfoque para RMC robusto utilizando la corrección de movimiento iterativa (IMC). IMC tiene como objetivo mejorar el coeficiente intelectual actualizando gradualmente la imagen. El IMC de Canon se centra en mantener el coeficiente intelectual de diagnóstico en presencia de movimientos esporádicos y puede corregir tanto movimientos rígidos como no rígidos. Una característica atractiva de IMC es el uso de trayectorias cartesianas para la adquisición de datos, lo que mitiga algunos de los desafíos asociados con las adquisiciones radiales.

Canon lanzó la versión inicial de IMC en su versión de software 8.0. El lanzamiento inicial de IMC admitió la corrección del movimiento para imágenes FLAIR del cerebro y T2W de la columna cervical. La última versión del software de Canon (V9.0) amplía IMC a varios contrastes nuevos, como imágenes cerebrales T2W y T1W, así como imágenes de columna vertebral T1W y STIR C.

La última versión de IMC incluye muchas mejoras técnicas diseñadas para ampliar su aplicabilidad clínica y reducir los tiempos de exploración y reconstrucción. Para mejorar la solidez al movimiento, se mantuvo el patrón de codificación aleatoria utilizado en la versión inicial de IMC. En la Figura 2 se muestra un ejemplo del patrón de codificación aleatoria de movimiento robusto. Los enfoques de muestreo convencionales tienen un espaciado uniforme de las líneas de codificación de fase para cada toma, lo que provoca artefactos coherentes en presencia de movimiento (Figura 2A). Como se ve en la Figura 2B, el patrón de codificación aleatoria tiene un espaciado no uniforme de líneas de codificación de fase para cada toma y, por lo tanto, produce artefactos incoherentes en presencia de movimiento. Esto es similar al uso de un patrón de muestreo no uniforme en la detección comprimida ( CS). La última versión de IMC reduce el tiempo de escaneo al adquirir datos del navegador de manera más eficiente y reduce el tiempo de reconstrucción al disminuir la complejidad del algoritmo de reconstrucción. Por último, la última versión de IMC complementa el enfoque mejorado basado en modelos con una nueva corrección de movimiento basada en aprendizaje automático (ML).

Figura 2: Se muestran el muestreo estándar (A) y el muestreo codificado aleatoriamente (B). El muestreo codificado aleatoriamente (B) muestra artefactos de movimiento más bajos en comparación con el muestreo estándar (A) para el escaneo in vivo (flechas rojas).

Se han desarrollado varias técnicas de corrección de movimiento basadas en modelos ^2-4. Estos métodos integran un modelo físico en el proceso de reconstrucción de imágenes para reducir los artefactos de movimiento. El modelado de parámetros de movimiento conserva los datos adquiridos, lo que mantiene la relación señal-ruido (SNR). A pesar de sus ventajas, los métodos basados en modelos pueden verse limitados por sus largos tiempos de reconstrucción y la incapacidad de corregir todos los tipos de movimiento.

Recientemente, se ha observado la solidez y la amplia aplicabilidad de los métodos de aprendizaje automático en varias aplicaciones de resonancia magnética ^5-7. ML ofrece un enfoque basado en datos para una rápida corrección del movimiento. No depende de hardware externo. Además, el modelado del movimiento, que puede ser computacionalmente complejo, se realiza sólo durante la etapa de entrenamiento. Durante el tiempo de ejecución (inferencia), la red ML procesa rápidamente la imagen utilizando el modelo aprendido durante el entrenamiento. Estas ventajas han impulsado el desarrollo de muchas soluciones prometedoras basadas en ML para la supresión de artefactos de movimiento ^8-11. Sin embargo, ML puede mostrar un rendimiento reducido para el movimiento que no se observa durante el entrenamiento y puede tener dificultades para producir un coeficiente intelectual de diagnóstico en casos con mucho movimiento.

El nuevo enfoque de Canon para la corrección de movimiento combina enfoques basados en modelos y en ML. Esta combinación sinérgica supera algunas de las limitaciones de cada componente individual. Además, este enfoque combinado permite una mayor solidez al movimiento que los enfoques basados en modelos o ML aplicados individualmente. La nueva versión de IMC utiliza una U-Net residual de valor complejo (Res U-Net) para ML (Figura 3). La red ML se entrenó en pares de conjuntos de datos con y sin movimiento en un marco de aprendizaje supervisado.

Figura 3: Arquitectura del complejo U-Net residual utilizado para ML. U-Net residual combina el procesamiento de bloques residuales 3D con la arquitectura U-Net para permitir la supresión de artefactos de movimiento.

En la Figura 4 se muestra un ejemplo de la mejora en el coeficiente intelectual utilizando la combinación de enfoques basados en modelos y ML. En la Figura 4A se ve una imagen coronal T2W adquirida en presencia de movimiento. El uso exclusivo de la red ML para la corrección del movimiento no produce una imagen de calidad de diagnóstico (Figura 4B) y aún persisten artefactos de movimiento y borrosidad. De manera similar, en la Figura 4C, se ve que algunos artefactos de movimiento residual permanecen cuando solo se utiliza la corrección de movimiento basada en modelos. El mejor coeficiente intelectual se logra cuando se utiliza una combinación de corrección basada en modelos y ML (Figura 4D).

Figura 4: Imagen coronal T2W adquirida en presencia de movimiento. Las reconstrucciones se muestran sin IMC (A), con procesamiento ML únicamente (B), con IMC sin ML (C) y con IMC (D). El procesamiento exclusivo de ML no produjo una buena calidad de imagen. Las características principales están borrosas (puntas de flecha rojas). El método basado en modelos tiene artefactos de movimiento residuales restantes (flechas rojas). La combinación del procesamiento basado en modelos y de aprendizaje automático produjo el mejor coeficiente intelectual. (E)-(H) muestra la imagen ampliada de una pequeña región (indicada por el cuadro rojo discontinuo en (A)) para (A)-(D) respectivamente.

El rendimiento de IMC para varios contrastes diferentes se muestra en las Figuras 5, 6 y 7. En la Figura 5, se muestra un ejemplo de una imagen cerebral T2 axial donde la imagen de entrada está corrupta debido al movimiento. El uso de IMC ayudó a eliminar los artefactos de movimiento y mejoró el coeficiente intelectual. Las diferentes estructuras y características del cerebro se visualizan mejor en la salida IMC. En la Figura 6, los beneficios del IMC en el coeficiente intelectual se muestran en un caso cerebral axial T1W que demuestra que los artefactos de zumbido causados por el movimiento se han eliminado eficazmente con el IMC. IMC también se puede utilizar para obtener imágenes de la columna cervical; en la Figura 7 se muestra un ejemplo de una imagen sagital de columna STIR C. La médula tiene importantes artefactos de movimiento cuando se reconstruye sin IMC. IMC recuperó el coeficiente intelectual de la imagen de entrada dañada por el movimiento. Estos resultados muestran la efectividad de la última versión de IMC de Canon para aplicaciones de imágenes del cerebro y la columna cervical. //

Figura 5: Imágenes cerebrales axiales T2W procesadas sin y con IMC. Sin IMC (A), la imagen tiene artefactos debido al movimiento del paciente (flechas rojas). Con IMC (B), se restaura el coeficiente intelectual y la imagen tiene calidad de diagnóstico.

Figura 6: Imágenes cerebrales axiales T1W procesadas sin y con IMC. Sin IMC (A), la imagen tiene artefactos debido al movimiento del paciente (flechas rojas). IMC (B) resuelve significativamente los artefactos de movimiento, lo que genera una imagen de calidad de diagnóstico.

Figura 7: Imágenes sagitales STIR C-spine sin y con IMC. Sin IMC (A), la imagen tiene artefactos debido al movimiento durante el escaneo (flechas rojas). IMC (B) resuelve significativamente los artefactos de movimiento, lo que genera una imagen de calidad de diagnóstico.

Referencias
¹ André JB, et al. Hacia la cuantificación de la prevalencia, la gravedad y el costo asociados con el movimiento del paciente durante los exámenes clínicos de RM. J Am Coll Radiol 2015; 12: 689-695.
² Batchelor PG, et al. Descripción matricial de la corrección general del movimiento aplicada a imágenes multidisparo. Magn Reson Med. 2005; 54: 1273–80.
³ Atkinson D, et al. Corrección automática de artefactos de movimiento en imágenes de resonancia magnética utilizando un criterio de enfoque de entropía. Imagen IEEE Trans Med. 1997; 16: 903–10.
⁴ Manke D, et al. Nuevo enfoque prospectivo de corrección del movimiento respiratorio para la angiografía coronaria por resonancia magnética con respiración libre utilizando un modelo de movimiento afín adaptado al paciente. Magn Reson Med. 2003; 50: 122-131.
⁵ Montalt-Tordera J, et al. Aprendizaje automático en imágenes por resonancia magnética: reconstrucción de imágenes. Física Médica. 2003; 83: 79-87.
⁶ Chen Y, et al. Reconstrucción basada en IA para resonancia magnética rápida: una revisión sistemática y un metanálisis. Procedimiento del IEEE. 2022; 110(2): 224 – 245.
⁷ Zeng C, et al. Revisión de enfoques de aprendizaje profundo para la segmentación de lesiones de esclerosis múltiple en resonancia magnética cerebral. Frente Neuroinform 2020.
⁸ Küstner T, et al. Corrección retrospectiva de imágenes de resonancia magnética afectadas por el movimiento utilizando marcos de aprendizaje profundo. Magn Reson Med. 2019; 82(4): 1527-1540.
⁹ Pawar K, et al. Supresión de artefactos de movimiento en resonancia magnética mediante una red Inception-ResNet con aumento de simulación de movimiento. RMN en Biomedicina. 2019; 35(4).
¹⁰ Tamada D, et al. Reducción de artefactos de movimiento mediante una red neuronal convolucional para imágenes de resonancia magnética del hígado con contraste dinámico mejorado. Magn Reson Med Sci. 2020; 19(1): 64-76.
¹¹ Qi H, et al. Reconstrucción no rígida con corrección de movimiento y aprendizaje profundo de extremo a extremo para ARM coronaria de respiración libre altamente acelerada. Magn Reson Med. 2021: 86(4); 1983-1996.