Training deep learning based dynamic MR image reconstruction using synthetic fractals

Título: Entrenamiento de modelos de reconstrucción de imágenes de RM dinámica basados en aprendizaje profundo utilizando fractales sintéticos

1. El Problema

La resonancia magnética (RM) en tiempo real es crucial para evaluar cambios dinámicos sin necesidad de sincronización fisiológica (gating), pero requiere un muestreo de datos significativamente submuestreado para lograr una resolución espacio-temporal adecuada.

• Limitaciones actuales: Los métodos tradicionales como la Compresión Sensorial (CS) son lentos debido a reconstrucciones iterativas. Los métodos de Aprendizaje Profundo (DL) ofrecen inferencia más rápida y mejor calidad, pero su desarrollo se ve obstaculizado por la necesidad de grandes conjuntos de datos de entrenamiento específicos para la aplicación.
• Barreras de datos: Obtener grandes volúmenes de datos de RM cardíaca reales es difícil debido a restricciones de privacidad, licencias de datos y regulaciones de protección de datos que limitan el intercambio. Además, el uso de videos naturales (como los propuestos anteriormente por los autores) genera escepticismo clínico por contener contenido "fuera de distribución" (animales, vehículos) y problemas de licenciamiento comercial.

2. Metodología

El estudio propone un enfoque de "prueba de concepto" para generar datos de entrenamiento sintéticos que eviten las limitaciones anteriores.

• Generación de Datos Fractales (F-DL):

  • Se generaron fractales de Julia en espacio cuaterniónico (4D) para crear volúmenes 3D que representan imágenes 2D + tiempo.
  • Proceso: Se utilizó la función no lineal $f(z) = z^2 + c$. Se seleccionaron parámetros $c$ basados en el conjunto de Mandelbrot para garantizar estructuras complejas y ricas.
  • Simulación de RM: Los fractales se convirtieron en imágenes dinámicas complejas (componentes real e imaginario mediante ondas sinusoidales). Se simuló la adquisición de múltiples bobinas (multi-coil) aplicando máscaras elípticas (forma del cuerpo), fases de fondo aleatorias y mapas de sensibilidad de bobina generados con funciones gaussianas. Finalmente, se aplicó la Transformada de Fourier Rápida (FFT) para obtener datos en el espacio k.
  • Se generó un conjunto de datos de 692 pares de imágenes fractales.

• Entrenamiento del Modelo:

  • Se entrenó un modelo de supresión de artefactos basado en una arquitectura 3D UNet.
  • Comparativa: Se entrenaron dos modelos idénticos: uno con los datos fractales sintéticos (F-DL) y otro con datos reales de RM cardíaca (CMR-DL).
  • Entrada/Salida: El modelo toma datos en el espacio k submuestreados radialmente (simulando adquisición real) y reconstruye la imagen de magnitud 2D+tiempo.

• Evaluación Prospectiva:

  • Se adquirieron datos reales de RM cardíaca en tiempo real (radial, respiración libre) en 10 pacientes.
  • Se compararon cuatro métodos de reconstrucción: F-DL, CMR-DL, LR-DIP (Deep Image Prior de rango bajo, no supervisado) y CS (Compresión Sensorial clásica).
  • Métricas: Evaluación cualitativa (ranking por expertos), métricas cuantitativas (CNR, nitidez de bordes, desviación estándar temporal) y medidas clínicas (volúmenes ventriculares y fracción de eyección) comparadas con una referencia de RM cine con apnea.

3. Contribuciones Clave

• Nueva Fuente de Datos: Demostración de que los fractales sintéticos (específicamente conjuntos de Julia cuaterniónicos) pueden servir como una fuente de entrenamiento viable, escalable y libre de restricciones legales para modelos de DL en RM.
• Generalización: Evidencia de que un modelo entrenado en datos abstractos y matemáticos puede generalizar eficazmente a datos anatómicos reales del corazón.
• Alternativa Abierta: Propuesta de un método para generar datos ilimitados y de alta complejidad espacio-temporal, superando la escasez de datos de RM 3D+t de alta calidad (como angiografías o cine 3D).

4. Resultados

• Calidad de Imagen:
  • No hubo diferencia estadísticamente significativa en la calidad de imagen subjetiva entre F-DL y CMR-DL ($p=0.9$).
  • Ambos modelos de DL superaron significativamente a LR-DIP y CS ($p<0.001$).
  • F-DL mostró el mayor Contraste-Ruido (CNR) y la menor desviación estándar temporal en la nitidez de los bordes, indicando una reconstrucción más consistente en el tiempo.
• Medidas Clínicas (Volúmenes y Función):
  • Los volúmenes ventriculares (EDV, ESV) y la fracción de eyección (EF) derivados de F-DL fueron comparables a los de CMR-DL, mostrando sesgos insignificantes y límites de acuerdo aceptables frente a la referencia.
  • LR-DIP mostró un sesgo significativo y límites de acuerdo más amplios, especialmente en el volumen sistólico del ventrículo izquierdo ($p=0.019$).
• Tiempo de Inferencia:
  • Los modelos DL (F-DL y CMR-DL) fueron extremadamente rápidos (~400 ms por corte, ~4-6 s para todo el stack).
  • En contraste, CS tardó ~2-3 minutos y LR-DIP requirió ~5-8 horas por paciente, lo que limita su uso clínico en tiempo real.

5. Significado e Impacto

Este estudio valida que los datos sintéticos fractales son una alternativa robusta a los datos clínicos reales para entrenar modelos de reconstrucción de RM dinámica.

• Viabilidad Clínica: Los modelos entrenados con fractales producen resultados clínicamente equivalentes a los entrenados con datos reales, lo que es un requisito previo para su adopción generalizada.
• Escalabilidad y Privacidad: Elimina las barreras de privacidad y licencias, permitiendo la creación de conjuntos de datos masivos y diversos para entrenar arquitecturas más complejas (como Transformers) o para aplicaciones en otras áreas de la imagen médica (ej. intestino, habla) donde los datos reales son escasos.
• Futuro: Abre la puerta al desarrollo de modelos de reconstrucción más generalizables y a la posibilidad de pre-entrenar modelos con datos sintéticos antes de un ajuste fino con datos reales, optimizando el flujo de trabajo en la investigación y la clínica.