Estimating Head Motion from MR-Images

Resumen Técnico: Estimación del Movimiento Cefálico a partir de Imágenes de Resonancia Magnética

1. Planteamiento del Problema

El movimiento de la cabeza es un factor de confusión omnipresente en el análisis de imágenes de resonancia magnética (MRI). Incluso cuando se realiza un control de calidad visual por expertos, el movimiento sistémico afecta las mediciones morfométricas e introduce sesgos en los análisis posteriores.

• El desafío específico: La mayoría de la investigación se ha centrado en cohortes clínicas con alto movimiento o movimiento inducido. Sin embargo, en estudios de poblaciones sanas y colaborativas (como el Rhineland Study), el movimiento es sutil y difícil de detectar visualmente, pero aún así existe una correlación estadísticamente significativa con la edad.
• Limitaciones actuales: Los métodos existentes dependen de calificaciones subjetivas de expertos (escala PASS/WARN/FAIL) o de métricas de similitud de imagen simulada, las cuales carecen de sensibilidad para detectar movimientos leves en cohortes de bajo movimiento y no proporcionan una puntuación objetiva continua.

2. Metodología

A. Adquisición de Datos y "Ground Truth" (Verdad Terrenal)

• Cohorte: Se utilizó un subconjunto de 500 participantes sanos (30-95 años) del Rhineland Study.
• Imágenes: Se adquirieron secuencias T1w, T2w y FLAIR.
• Verdad Terrenal: A diferencia de los métodos tradicionales que usan etiquetas de expertos, este estudio utilizó una cámara de profundidad sincronizada con el escáner MRI para rastrear la cabeza del participante en tiempo real.
• Cálculo del Score: Se alinearon los fotogramas de la cámara con una referencia para obtener transformaciones rígidas. Se calculó la diferencia de transformación de Jenkinson para generar una puntuación de movimiento escalar (mm/s) por secuencia.

B. Arquitectura de la Red Neuronal

• Modelo: Se adoptó una Red Neuronal Convolucional (CNN) totalmente convolucional, basada en arquitecturas para la estimación de la edad cerebral.
• Estrategia de Entrenamiento (Innovación Clave): En lugar de una regresión directa del score de movimiento, el modelo:
  1. Define un rango esperado de movimiento [0, 3.12] mm/s.
  2. Divide este rango en 40 "prototipos" (bins).
  3. Predice la probabilidad de que el movimiento real pertenezca a cada prototipo.
  4. Utiliza una pérdida de divergencia Kullback-Leibler (KL) en lugar de Error Cuadrático Medio (MSE) para entrenar la distribución de probabilidad.
• Preprocesamiento: Se identificó que utilizar solo los 8 bits menos significativos (LSB8) de la imagen (ignorando la magnitud absoluta de los valores) mejora significativamente el rendimiento, ya que captura las diferencias sutiles de ruido y artefactos sin interferencia de la intensidad estructural.

C. Descomposición de Tipos de Movimiento
Además del score global, el modelo se entrenó para distinguir tres bandas de frecuencia:

1. Deriva (Drift): Movimiento lento de relajación (baja frecuencia).
2. Respiración: Movimiento periódico (frecuencia media, 0.1-0.5 Hz).
3. Movimiento "ruidoso": Alta frecuencia (difícil de estimar).

3. Contribuciones Clave

1. Primera estimación objetiva: Introducen, por primera vez, la estimación de una puntuación de movimiento objetiva y continua directamente desde imágenes de tres secuencias de MRI (T1w, T2w, FLAIR).
2. Superioridad sobre el estado del arte: Su método supera a arquitecturas de Deep Learning existentes (como DenseNet, SFCN) y a herramientas de calidad de imagen (MIQA, AES) en la predicción de movimiento en cohortes de bajo movimiento.
3. Desglose de fuentes de movimiento: Capacidad para cuantificar independientemente el movimiento por deriva y por respiración.
4. Validación biológica: Demuestran que sus predicciones preservan la correlación conocida entre el movimiento de la cabeza y la edad del participante.

4. Resultados

• Rendimiento Cuantitativo: En el conjunto de prueba no visto, el método propuesto obtuvo un R² de 0.433 y un coeficiente de correlación de Spearman (ρ) de 0.584.
  • Comparado con DenseNet (R² 0.395, ρ 0.447) y MIQA (R² negativo, indicando fallo de generalización).
  • El modelo logra separar perfectamente las imágenes etiquetadas como "PASS" (sin artefactos) de las "WARN" (artefactos visibles) con un umbral de ~0.6 mm/s.
• Generalización: El modelo, entrenado principalmente en T1w, mostró buen rendimiento al predecir scores en T2w y FLAIR sin cambios arquitectónicos mayores.
• Estudio de Ablación:
  • La pérdida KL con distribución de probabilidad superó drásticamente a la regresión directa con MSE.
  • El uso de LSB8 (8 bits menos significativos) fue la técnica de preprocesamiento más efectiva, superando al escalado robusto o a la eliminación de la cabeza.
• Correlación con la Edad: Se confirmó una correlación significativa (p < 0.001) entre las predicciones de movimiento y la edad de los participantes, validando la sensibilidad del modelo para detectar patrones biológicos reales.

5. Significado e Implicaciones

• Control de Calidad Retrospectivo: Permite cuantificar el movimiento en estudios existentes donde no se disponía de cámaras de seguimiento, facilitando la corrección de sesgos en análisis morfométricos.
• Mejora en Estudios Longitudinales: Es crucial para estudios como el Rhineland Study, donde el movimiento sutil puede confundirse con efectos de la edad o enfermedades neurodegenerativas.
• Objetividad: Elimina la subjetividad de las calificaciones humanas, proporcionando una métrica continua y reproducible.
• Limitaciones: La generalización a nuevos conjuntos de datos puede requerir reentrenamiento debido a diferencias en los parámetros de adquisición y niveles de movimiento entre cohortes.

En conclusión, este trabajo establece un nuevo estándar para la detección de movimiento en MRI mediante aprendizaje profundo, demostrando que es posible extraer información cinemática precisa directamente de los datos de imagen, incluso en casos donde el movimiento es invisible al ojo humano.