SuCor: Susceptibility Distortion Correction via Parameter-Free and Self-Regularized Optimal Transport

A continuación presento un resumen técnico detallado del artículo "SuCor: Susceptibility Distortion Correction via Parameter-Free and Self-Regularized Optimal Transport" (SuCor: Corrección de Distorsión por Susceptibilidad mediante Transporte Óptimo sin Parámetros y Auto-regularizado), redactado en español.

1. Planteamiento del Problema

En la resonancia magnética (MRI), específicamente en las adquisiciones de Imagen por Planos de Eco (EPI) utilizadas en MRI de difusión y fMRI, las diferencias de susceptibilidad magnética en las interfaces aire-tejido generan inhomogeneidades espaciales del campo $B_0$. Esto provoca que las frecuencias fuera de resonancia acumulen fase durante la larga lectura, causando distorsiones geométricas a lo largo de la dirección de codificación de fase (PE).

Estas distorsiones resultan en compresión o expansión local de la imagen, lo que lleva a:

• Acumulación de señal (pile-up).
• Modulación de intensidad (modelada mediante el determinante jacobiano del campo de distorsión).
• Errores en la localización anatómica, registro entre modalidades y análisis posteriores (como tractografía).

El método estándar actual, FSL TOPUP, utiliza dos imágenes EPI con polaridad de codificación de fase opuesta (izquierda-derecha y derecha-izquierda) para estimar un campo de deformación no lineal mediante optimización iterativa con splines B y regularización por energía de flexión. Sin embargo, TOPUP es computacionalmente costoso (minutos a horas), requiere optimización 3D iterativa y depende de la selección manual de parámetros de regularización.

2. Metodología Propuesta: SuCor

Los autores proponen SuCor, un enfoque alternativo basado en el Transporte Óptimo (OT) unidimensional y la regularización espectral automática.

A. Formulación del Problema

Se modelan dos volúmenes EPI ($I^+$ e $I^-$) adquiridos con polaridades opuestas. El modelo asume que los perfiles de intensidad a lo largo de una columna de la dirección PE representan la misma masa de señal subyacente, simplemente reorganizada por desplazamientos opuestos ($\pm u$).

B. Transporte Óptimo por Columna (1D)

La idea central es tratar cada columna a lo largo de la dirección PE de forma independiente:

1. Se normalizan los perfiles de intensidad de las dos imágenes opuestas para que tengan masa unitaria.
2. Se calcula el mapa de transporte óptimo de Wasserstein-2 ($T^*$) que transporta un perfil al otro. En 1D, esto tiene una solución de forma cerrada basada en la reordenación de cuantiles: $T^* = F_b^{-1} \circ F_a$, donde $F$ son las funciones de distribución acumulada.
3. El desplazamiento bruto ($u_0$) se calcula como el promedio de la diferencia entre el mapa de transporte y la posición original: $u_0 = \frac{1}{2}(T^*(t) - t)$.
4. Este paso es extremadamente rápido, con complejidad $O(N \log N)$ por columna.

C. Regularización por Energía de Flexión Espectral

El campo de desplazamiento bruto $u_0$ es preciso localmente pero presenta "estriaciones" o ruido a lo largo de la dirección perpendicular a la PE debido a la estimación independiente por columna. Para corregir esto:

• Se aplica una penalización de energía de flexión (bending energy) en el dominio de Fourier.
• La fórmula de regularización es: $\hat{u}_\lambda(k) = \frac{\hat{u}_0(k)}{1 + \lambda |k|^4}$, donde el núcleo $|k|^4$ corresponde a la energía de flexión de una placa delgada.

D. Selección Automática de Parámetros (Principio de Discrepancia de Morozov)

Una contribución clave es la eliminación de la sintonización manual del parámetro de regularización $\lambda$:

• Se estima el nivel de ruido ($\sigma$) de las imágenes de entrada usando una estimación robusta de la desviación absoluta mediana (MAD) en el fondo.
• Se define una norma residual objetivo $\delta = \tau \cdot \sigma$ (con $\tau=1.5$).
• Se utiliza un método de bisección para encontrar el $\lambda$ que satisfaga $\|u_\lambda - u_0\| = \delta$.
• Esto garantiza una regularización "auto-ajustada" y libre de parámetros manuales.

3. Contribuciones Clave

1. Enfoque de Transporte Óptimo: Utiliza la propiedad matemática de que los perfiles de intensidad opuestos son masas transportadas, permitiendo una solución exacta y de forma cerrada por columna.
2. Sin Parámetros Manuales: Elimina la necesidad de configurar archivos de configuración o buscar en rejillas de parámetros, utilizando el principio de discrepancia de Morozov para la regularización automática.
3. Eficiencia Computacional: Al procesar columnas y rebanadas de forma independiente y paralela, el método es significativamente más rápido que los métodos iterativos 3D.
4. Mejora en Fidelidad Anatómica: Captura mejor las distorsiones locales finas en comparación con la suavización global de los splines B.

4. Resultados Experimentales

El método se evaluó en el conjunto de datos del Human Connectome Project (HCP) (1200 sujetos adultos), utilizando pares EPI b=0 (LR/RL) y una imagen estructural T1 co-registrada como referencia.

• Comparación con TOPUP:

  • Información Mutua (MI) con T1: SuCor obtuvo 0.341 frente a 0.317 de TOPUP. Esto indica una mejor alineación estructural con la anatomía real.
  • Correlación Cruzada Normalizada (NCC) LR-RL: TOPUP fue ligeramente superior (0.964 vs 0.933), lo que sugiere que SuCor mantiene más variabilidad local genuina en lugar de forzar una suavidad global excesiva.
  • Error Cuadrático Medio (RMSE): TOPUP tuvo un error menor (706 vs 948), nuevamente debido a su prior de suavidad global.
  • Tiempo de Ejecución: SuCor completó la corrección en ~12 segundos en un solo núcleo de CPU, mientras que TOPUP tardó 55 minutos.

• Análisis por Capas: SuCor superó consistentemente a TOPUP en MI en todas las capas axiales, con las mayores mejoras en las capas inferiores (donde las distorsiones por susceptibilidad son más fuertes).

• Campo de Desplazamiento: El campo estimado por SuCor captura la estructura a gran escala (correlación de Pearson 0.70 con TOPUP) pero preserva transiciones más agudas en los límites de los tejidos, evitando el sobre-suavizado típico de los splines B.

5. Significado y Conclusión

SuCor representa un avance significativo en la corrección de distorsiones por susceptibilidad al demostrar que es posible lograr una corrección de alta fidelidad anatómica sin sacrificar la velocidad ni requerir intervención manual.

• Ventaja Principal: La capacidad de capturar distorsiones locales finas (mejor MI con T1) que los métodos de suavización global (como TOPUP) tienden a perder.
• Compromiso (Trade-off): Existe una tensión fundamental entre la suavidad del campo (que mejora la consistencia LR-RL) y la fidelidad de la corrección anatómica. SuCor prioriza la fidelidad anatómica mediante una regularización espectral que suprime artefactos de alta frecuencia sin eliminar la estructura de distorsión local.
• Impacto: Al reducir el tiempo de procesamiento de horas a segundos y eliminar la necesidad de expertos para ajustar parámetros, SuCor facilita la integración de correcciones de alta calidad en flujos de trabajo de MRI de difusión y fMRI a gran escala.

En resumen, SuCor ofrece una alternativa rápida, automática y matemáticamente elegante a los métodos de optimización iterativa tradicionales, logrando una alineación estructural superior con imágenes de referencia T1.