PSIRNet: Deep Learning-based Free-breathing Rapid Acquisition Late Enhancement Imaging

Resumen Técnico: PSIRNet

1. El Problema

La resonancia magnética cardíaca con realce tardío de gadolinio (LGE) es el estándar de referencia clínico para evaluar la viabilidad miocárdica, la infartación y las cicatrices. Sin embargo, la adquisición convencional de imágenes de recuperación de inversión sensible a la fase (PSIR) presenta dos limitaciones críticas:

• Tiempo de adquisición prolongado: Los protocolos actuales requieren promedios de señal con corrección de movimiento (MOCO) que van desde 8 hasta 24 promedios (equivalente a 16-48 latidos cardíacos) para lograr una relación señal-ruido (SNR) adecuada, especialmente en variantes de sangre oscura y de banda ancha. Esto consume hasta un tercio del tiempo total de la exploración.
• Carga computacional: El pipeline de corrección de movimiento no rígido, registro y promediado requiere más de 5 segundos por corte, lo que retrasa la disponibilidad de imágenes para el diagnóstico.
• Limitaciones de la IA existente: Los métodos anteriores de aprendizaje profundo se han centrado en adquisiciones segmentadas con apnea, con cohortes pequeñas y de un solo centro, lo que limita su generalización a protocolos de respiración libre y variantes de contraste diversas.

2. Metodología

Los autores proponen PSIRNet, un método de reconstrucción de aprendizaje profundo guiado por la física, diseñado para generar imágenes PSIR diagnósticas a partir de una única adquisición (interleaved IR/PD) de dos latidos cardíacos, eliminando la necesidad de promedios múltiples.

• Datos:

  • Se utilizó un conjunto de datos retrospectivo masivo y multicéntrico: 800,653 cortes de 55,917 pacientes (2016-2024).
  • Los datos provenían de escáneres de 1.5T y 3T, abarcando múltiples instituciones, modelos de escáner y versiones de software.
  • Se dividieron por paciente para evitar fugas de datos: 640,000 cortes para entrenamiento, 80,014 para validación y 80,639 para prueba externa.
  • Se evaluaron tres variantes de LGE: sangre brillante, sangre oscura y banda ancha (wideband).

• Arquitectura del Modelo:

  • Enfoque: Reconstrucción "end-to-end" (de extremo a extremo) basada en iteraciones de Landweber desenrolladas (unrolled).
  • Entrada: Mapas de sensibilidad de bobina iniciales y datos k-space submuestreados de una sola adquisición IR y PD.
  • Proceso:
    1. Refinamiento de mapas de sensibilidad mediante una red U-Net.
    2. 12 iteraciones en cascada de Landweber que combinan un paso de consistencia de datos (con pasos de tamaño aprendidos) y un refinamiento conjunto IR-PD mediante una red U-Net de 4 niveles.
    3. Eliminación de la fase de fondo de la imagen PD y corrección de bobina superficial (SCC) para generar la imagen PSIR final.
  • Parámetros: El modelo tiene 845 millones de parámetros entrenables.
  • Entrenamiento: Optimizado para maximizar el Índice de Similitud Estructural (SSIM) entre la salida de la red y la referencia estándar MOCO PSIR. Entrenado en 64 GPUs AMD MI300X.

3. Contribuciones Clave

• Aceleración sin precedentes: Reduce el tiempo de adquisición en un factor de 8 a 24 veces (de ~15 minutos a solo 2 latidos cardíacos).
• Generalización robusta: Validado en una escala sin precedentes (múltiples instituciones, campos magnéticos y variantes de protocolo), demostrando que funciona tanto para sangre brillante, sangre oscura como para banda ancha.
• Reconstrucción en tiempo real: El tiempo de inferencia es de aproximadamente 100 ms por corte (en GPU), comparado con >5 segundos por corte en el pipeline convencional basado en CPU.
• Validación clínica rigurosa: Evaluación cualitativa independiente por dos cardiólogos expertos con más de 10 años de experiencia, utilizando escalas Likert y pruebas estadísticas de superioridad y equivalencia.

4. Resultados

• Métricas Cuantitativas: PSIRNet logró un SSIM medio del 92.26%, un PSNR de 33.98 dB y un NRMSE de 0.0474 en comparación con la referencia MOCO.
• Evaluación de Expertos (Cardiólogos):
  • Sangre Oscura: PSIRNet fue estadísticamente superior a la referencia MOCO (P = .002).
  • Sangre Brillante y Banda Ancha: Se demostró equivalencia estadística (margen de 0.25 puntos en la escala Likert) o superioridad según el lector, con conclusiones conservadoras que confirmaron la equivalencia práctica.
  • Ambos métodos proporcionaron confianza "buena" a "excelente" para la evaluación de LGE.
• Eficiencia Computacional: La inferencia en una GPU A100 requiere ~100 ms/corte y 10 GB de VRAM, permitiendo una visualización casi en tiempo real, frente a los retrasos de segundos del método tradicional.

5. Significado e Impacto

PSIRNet representa un cambio de paradigma en la imagenología cardíaca:

• Eficiencia Clínica: Permite cubrir todo el volumen cardíaco con mayor resolución o incluir secuencias adicionales en el mismo tiempo de exploración.
• Flujo de Trabajo: Elimina los retrasos de procesamiento en la consola del escáner, permitiendo a los tecnólogos verificar la calidad de la imagen inmediatamente y reducir la necesidad de repetir exploraciones o llamar al paciente.
• Accesibilidad: Facilita la realización de LGE en pacientes que no pueden contener la respiración o en situaciones de urgencia.
• Limitaciones y Futuro: El estudio es retrospectivo y los datos provienen exclusivamente de escáneres Siemens. Se requiere validación prospectiva en entornos clínicos reales y evaluación de tareas clínicas posteriores (como la cuantificación de cicatrices) para confirmar la utilidad clínica total.

En conclusión, PSIRNet demuestra que el aprendizaje profundo guiado por la física puede superar las limitaciones de tiempo y SNR de los métodos convencionales, ofreciendo imágenes de calidad diagnóstica en una fracción del tiempo de adquisición y procesamiento.