Model-based Dynamic 3D MRI Reconstructions using Neural Fields and Tensor Product Expansions

Resumen Técnico: Reconstrucciones 3D Dinámicas de MRI Basadas en Modelos utilizando Campos Neuronales y Expansiones de Producto Tensorial

Planteamiento del Problema
Los métodos convencionales de reconstrucción de MRI tratan las imágenes y las sensibilidades de las bobinas como arrays discretos. Aunque adecuados para datos digitales, este enfoque incurre en altas demandas de memoria y carece de conciencia estructural, lo que requiere una regularización fuerte (por ejemplo, Variación Total) para imponer consistencia. Estas limitaciones se vuelven críticas en escenarios de submuestreo extremo, como en la resonancia magnética cardíaca (CMR) dinámica 2D y 3D, donde se requieren factores de aceleración altos para resolver el movimiento cardíaco. Los enfoques de aprendizaje profundo existentes ofrecen alternativas, pero suelen depender de grandes conjuntos de datos de entrenamiento supervisados, lo que reduce su adaptabilidad entre escáneres y protocolos, y permanecen ligados a resoluciones fijas. Además, aunque los Campos Neuronales Implícitos (INF) ofrecen representaciones continuas, aplicar redes neuronales completamente multivariadas a problemas de alta dimensionalidad (3D dinámico) es computacionalmente prohibitivo debido al crecimiento exponencial en los puntos de evaluación requeridos para rejillas densas.

Metodología
Los autores proponen un marco basado en modelos, libre de discretización, que representa la magnetización y las sensibilidades de las bobinas como funciones continuas y diferenciables utilizando Expansiones de Campos Neuronales (NFE) basadas en productos tensoriales de campos neuronales univariados.

• Arquitectura de Producto Tensorial: En lugar de una única red neuronal multivariada, el método descompone la representación en un producto tensorial de Perceptrones Multicapa (MLP) univariados para cada dirección de coordenada (espacio y tiempo). Si una rejilla tiene dimensiones $P_1 \times \dots \times P_d$, una red multivariada requiere evaluar $\prod P_j$ puntos, mientras que el enfoque de producto tensorial evalúa solo $\sum P_j$ puntos a través de $d$ redes univariadas. Esto reduce la complejidad computacional de exponencial a lineal con respecto a la dimensionalidad.
• Representación Continua: Tanto la magnetización $m(t, x)$ como las sensibilidades de las bobinas $S(x)$ se modelan como NFE. La magnetización se define sobre dominios espacio-temporales, mientras que las sensibilidades de las bobinas se definen sobre dominios espaciales. Los autores utilizan redes SIREN (funciones de activación sinusoidales) para capturar con precisión señales de alta frecuencia y sus derivadas.
• Optimización Conjunta: El marco reconstruye conjuntamente la magnetización y las sensibilidades de las bobinas a partir de datos de espacio-k submuestreados sin requerir conjuntos de datos de entrenamiento externos ni escaneos separados de calibración de bobinas.
• Función Objetivo: La reconstrucción minimiza una función de pérdida compuesta por:
  • Consistencia de Datos: Una norma $L_2$ ponderada que penaliza las desviaciones en el espacio-k, diseñada para manejar la discrepancia del modelo y residuos de cola pesada.
  • Regularización: Variación Total (TV) espacial y temporal sobre la magnetización, una penalización $L_1$ sobre la derivada temporal y una penalización $L_2$ al cuadrado sobre las derivadas de la sensibilidad de la bobina para promover la suavidad.
• Optimización Estocástica: Para gestionar la memoria y permitir la reconstrucción 3D dinámica, el objetivo se optimiza utilizando Descenso de Gradiente Estocástico (SGD). Los términos de regularización se evalúan sobre un conjunto mixto de puntos continuos muestreados aleatoriamente y puntos de rejilla cartesiana discreta correspondientes a las ubicaciones de medición. Esta formulación estocástica permite un uso eficiente de la memoria y un control fino sobre el proceso de optimización.

Contribuciones Clave

1. Formulación de Producto Tensorial: La contribución principal es la introducción de una arquitectura de producto tensorial de campos neuronales univariados. Esta estructura reemplaza las redes multivariadas únicas, permitiendo una evaluación y diferenciación eficientes en memoria y operaciones de punto flotante (flops), cruciales para la MRI 3D dinámica.
2. Reconstrucción Conjunta: El método representa y reconstruye conjuntamente tanto la magnetización como las sensibilidades de las bobinas como campos neuronales, abordando la mal planteamiento de la estimación conjunta mediante una regularización fundamentada.
3. Optimización Basada en Modelos Estocástica: La integración del muestreo estocástico con el modelado de dominio continuo permite la reconstrucción a factores de aceleración altos (por ejemplo, factor 16) en hardware GPU estándar, una tarea previamente inviable para datos 3D dinámicos debido a las limitaciones de memoria.

Resultados
El método se evaluó en tres conjuntos de datos: CMR dinámica 2D submuestreada retrospectiva, MRI de muslo 3D dinámica submuestreada prospectiva y CMR dinámica 3D submuestreada prospectiva.

• Eficiencia de Memoria: El diseño de producto tensorial produjo una reducción de 31× en la memoria GPU para un ejemplo 2D dinámico (reduciendo el uso de ~23 GB a ~750 MB). Para los casos 3D dinámicos, redujo los requisitos de memoria de >48 GB (inviible en una GPU de 48 GB) a 9–12 GB.
• Rendimiento 2D Dinámico: A factores de aceleración (AF) de 8, 12 y 16, las reconstrucciones basadas en NFE mantuvieron alta calidad visual y consistencia temporal. Por el contrario, las líneas base de Compresión Sensorial (CS) exhibieron parpadeo pronunciado, artefactos de rayado y borrosidad, particularmente en AF 12 y 16. Las métricas cuantitativas (SSIM y PSNR) favorecieron consistentemente a las NFE en todas las rebanadas y marcos temporales.
• Rendimiento 3D Dinámico: El método reconstruyó con éxito imágenes resueltas en tiempo directamente a partir de lecturas crudas de espacio-k no agrupadas (resolución temporal $\delta t = 5.4$ ms), una tarea computacionalmente inviable para las tuberías estándar de CS. Aunque se observó algo de ruido y diferencias localizadas en la intensidad de los límites (probablemente debido a una fuerte regularización TV espacial), las reconstrucciones permanecieron anatómicamente consistentes y temporalmente coherentes entre sujetos.
• CMR 3D Dinámica: En comparaciones cualitativas, las reconstrucciones NFE preservaron el detalle anatómico y permanecieron libres de los artefactos de parpadeo observados en las reconstrucciones CS en AF 16.

Significado y Afirmaciones
El artículo afirma que el marco propuesto permite reconstrucción de MRI 3D dinámica de alta calidad y computacionalmente viable en hardware estándar aprovechando la eficiencia estructural de las expansiones de producto tensorial. El método demuestra robustez a través de diferentes factores de aceleración y tipos de escáner (1.5T y 3T) sin requerir datos de entrenamiento supervisados.

Los autores notan modestamente que, aunque las NFE superan a los métodos CS de última generación en la preservación de la estructura y el movimiento bajo submuestreo agresivo, el marco aún enfrenta desafíos:

• Sensibilidad a Hiperparámetros: El método implica un número significativo de hiperparámetros (modos, arquitectura de red, pesos de regularización). Aunque se desarrollaron guías heurísticas para hacer el ajuste viable, esto sigue siendo una limitación en comparación con los enfoques totalmente automatizados.
• Interpretabilidad: La analogía con series de Fourier generalizadas es formal; los modos aprendidos no son ortonormales ni linealmente independientes, lo que significa que las magnitudes de los coeficientes no pueden interpretarse directamente como importancia del modo.
• Limitaciones de Datos: La evaluación en CMR 3D dinámica se limitó a un solo escaneo de calidad moderada debido a la falta de conjuntos de datos de verdad fundamental disponibles públicamente para adquisiciones 3D dinámicas no agrupadas.

El trabajo establece que el modelado de dominio continuo, cuando se combina con descomposiciones de producto tensorial y optimización estocástica, ofrece un camino viable hacia adelante para la reconstrucción de MRI específica del escaneo de alta aceleración.