Frequency-Hierarchical Active k-Space Sampling for Diagnostic MRI

Resumen Técnico: Muestreo de k-Space Activo Jerárquico por Frecuencia para RM Diagnóstica

Planteamiento del Problema
Acelerar la adquisición de RM sin comprometer la precisión diagnóstica sigue siendo un cuello de botella crítico en la imagenología clínica. Si bien los enfoques estándar utilizan el submuestreo seguido de la reconstrucción (mediante computación comprimida o prioris aprendidos), estos procesos de implementación suelen optimizar las métricas de calidad de imagen (p. ej., PSNR, SSIM) en lugar de las tareas clínicas posteriores. Además, los métodos de muestreo activo existentes que tratan la adquisición como un proceso de toma de decisiones secuenciales enfrentan dos limitaciones principales:

1. Rigidez Geométrica: La mayoría de los métodos utilizan espacios de acción uniformes, como la selección de filas Cartesianas completas. Esto ignora la diferencia cualitativa entre los componentes de baja frecuencia (que portan el contexto anatómico) y los componentes de alta frecuencia (que portan detalles patológicos finos), forzando un compromiso deficiente ante factores de aceleración altos.
2. Escalabilidad Arquitectónica: Las políticas que requieren decenas de decisiones secuenciales suelen depender de arquitecturas (como CNN o Transformers estándar) cuyo costo computacional crece de manera desproporcionada con la longitud del despliegue (rollout).

Metodología: HieraSample
Los autores proponen HieraSample, un marco impulsado por tareas diseñado para distribuir un presupuesto de muestreo ajustado a través de las frecuencias espaciales basadas en su utilidad diagnóstica. El marco se ancla en tres elecciones de diseño específicas:

1. Currículo con Atenuación Cosenoidal con Fundación de Baja Frecuencia:

   • El factor de aceleración $R(t)$ se programa dinámicamente desde $20\times$ hasta $4\times$ a lo largo de 80 pasos de adquisición utilizando un esquema de atenuación de coseno (cosine annealing).
   • Crucialmente, la máscara inicial $m_0$ se fija al disco más pequeño alrededor del componente DC (bajas frecuencias). Esto garantiza un núcleo de baja frecuencia totalmente muestreado que contiene el contexto anatómico desde el primer paso ($t=0$).
   • La política opera exclusivamente sobre el complemento de alta frecuencia, seleccionando coordenadas individuales en lugar de filas.

2. Arquitectura Basada en Mamba:

   • El sistema emplea Mamba (un modelo de espacio de estados de tiempo lineal) para asegurar la eficiencia computacional durante el despliegue de 80 pasos.
   • Clasificadores Duales: Un clasificador de enfermedad ($G_d$) y un clasificador de severidad ($G_s$) extraen características de la reconstrucción actual de llenado cero (zero-filled). Estos clasificadores utilizan una columna vertebral (backbone) ResNet-50 refinada por tres bloques Mamba selectivos.
   • Red de Política: La política $\pi_\theta$ fusiona las características de ambos clasificadores y la máscara actual. Utiliza una estructura de rama paralela: una rama CNN para la estructura local y una rama Mamba (usando incrustaciones de parches rectangulares para coincidir con la anisotropía del k-space) para el contexto global. La salida es un mapa de logits de muestreo por píxel.

3. Señal de Recompensa Impulsada por Tareas:

   • La recompensa se define como la reducción por muestra en la entropía cruzada ponderada por clase después de cada acción, en lugar de la minimización de la pérdida bruta.
   • $r_t = CE_{t-1} - CE_t$. Una recompensa positiva corresponde directamente a una predicción correcta más confiable.
   • La recompensa combina las tareas de diagnóstico de enfermedad y de severidad con un peso de coseno variable en el tiempo, enfatizando la detección de la enfermedad al inicio del despliegue y la graduación de la severidad más adelante.
   • Consistencia de Normalización: Los autores señalan que utilizar un esquema de normalización por muestra único tanto para el entrenamiento del clasificador como de la política es crítico; una normalización desajustada causó que la señal de recompensa degenerara en ruido en los experimentos iniciales.

Contribuciones Clave

• Espacio de Acción Jerárquico: Pasar de las filas Cartesianas a la selección de puntos individuales permite que la política apunte a las coordenadas de alta frecuencia donde la informatividad diagnóstica es más alta, preservando la fundación anatómica de baja frecuencia.
• Toma de Decisiones Secuencial de Tiempo Lineal: La integración de bloques Mamba permite despliegues eficientes de 80 pasos sin la explosión computacional asociada con los Transformers o CNN estándar.
• Aprendizaje de Currículo: El esquema de atenuación de coseno asegura una transición suave de una aceleración agresiva a una moderada, maximizando la adquisición de información durante los pasos intermedios donde los datos diagnósticos son más densos.

Resultados Experimentales
El marco fue evaluado en el conjunto de datos de rodilla fastMRI+ para las tareas de clasificación de ACL (Ligamento Cruzado Anterior) y cartílago.

• Desempeño vs. Baselines:
  • Comparado con ASSDM (un reciente baseline de muestreo secuencial reentrenado bajo condiciones equivalentes), HieraSample mostró ganancias significativas.
  • Severidad de ACL: Con una aceleración de $10\times$, HieraSample mejoró el ROC AUC en 20.4 puntos (de 0.616 a 0.820).
  • Diagnóstico de ACL: Con una aceleración de $20\times$, mejoró el ROC AUC en 5.0 puntos.
• Comparación con el Oráculo:
  • En el diagnóstico de ACL, HieraSample igualó al oráculo totalmente muestreado (0.939 AUC) en las aceleraciones de $10\times$, $8\times$ y $6\times$, y se mantuvo dentro de 0.001 del oráculo a $4\times$.
  • En la severidad de ACL a $6\times$, igualó al oráculo (0.837) dentro de 0.001.
• Ablación (Jerárquico vs. Cartesiano):
  • Al comparar HieraSample (basado en puntos) contra Ours-Cartesian (basado en filas, mismo clasificador/recompensa), se aisló el valor del espacio de acción.
  • El enfoque jerárquico proporcionó ganancias estadísticamente significativas en el diagnóstico de cartílago (donde el clasificador tenía "margen" respecto al oráculo), superando al baseline cartesiano hasta en 0.015 AUC a $20\times$.
  • Para el diagnóstico de ACL, donde el clasificador ya estaba cerca del límite del oráculo, las ganancias entre las estrategias de puntos y de filas fueron insignificantes (dentro del intervalo de confianza).

Significancia y Reivindicaciones
El artículo afirma que HieraSample logra cerrar la brecha entre la adquisición de RM acelerada y la precisión diagnóstica mediante el modelado explícito de la jerarquía de la información del k-space. Al mantener una fundación de baja frecuencia y utilizar una política basada en Mamba impulsada por tareas para seleccionar detalles de alta frecuencia, el marco alcanza un desempeño diagnóstico comparable al de los escaneos totalmente muestreados en aceleraciones moderadas ($4\times$ a $10\times$).

Los autores señalan que la evaluación está actualmente restringida a datos de una sola bobina (single-coil) y una sola anatomía (rodilla) bajo una única semilla aleatoria. Reconocen que, si bien la ablación del espacio de acción aísla el beneficio del muestreo basado en puntos, las contribuciones específicas del esquema de coseno y la fundación de baja frecuencia no fueron desentrajadas en este trabajo. Se sugiere como trabajo futuro incluir el ajuste fino (fine-tuning) del clasificador sobre la distribución de máscara específica de la política y explorar la generalización a múltiples bobinas o múltiples anatomías.