Estimating Head Motion from MR-Images

Titolo

Stima del Movimento della Testa da Immagini MRI

1. Il Problema

Il movimento della testa durante l'acquisizione di immagini di Risonanza Magnetica (MRI) è un fattore confondente onnipresente che introduce bias sistematici nelle analisi morfometriche.

• Limiti attuali: Anche quando viene eseguita un'ispezione visiva da parte di esperti, movimenti sottili spesso rimangono non rilevati. Le valutazioni manuali sono soggettive e poco sensibili, specialmente in coorti di partecipanti sani e collaborativi (come lo Studio del Renland), dove i movimenti sono minimi e gli artefatti visivi quasi invisibili.
• Necessità: Manca un metodo sensibile e affidabile per quantificare il movimento sottile al fine di includere stime del movimento nei modelli statistici e controllare i bias indotti. Attualmente, non esistono metodi consolidati per prevedere il movimento misurato direttamente dalle immagini MRI, specialmente in assenza di etichette di qualità "FAIL" o "WARN" evidenti.

2. Metodologia

Gli autori hanno sviluppato un approccio basato sul Deep Learning per stimare direttamente il movimento della testa dalle immagini MRI acquisite.

• Dati e Ground Truth:

  • Dataset: Sottogruppo dello Studio del Renland (500 partecipanti sani, 30-95 anni) con immagini T1w, T2w e FLAIR.
  • Riferimento (Ground Truth): Il movimento è stato misurato oggettivamente durante la scansione utilizzando una camera di profondità (depth camera) che traccia la faccia del partecipante. I dati della camera sono stati sincronizzati con le sequenze MRI per calcolare un punteggio di movimento scalare (in mm/s) basato sulle differenze delle trasformazioni rigide (Jenkinson's transformation differences).
  • Tipologie di Movimento: Oltre al punteggio totale, il movimento è stato filtrato per distinguere tre bande di frequenza:
    1. Deriva (Drift): Movimento lento di rilassamento.
    2. Respirazione: Movimento periodico.
    3. Movimento "Rumoroso": Movimento ad alta frequenza non associato a pattern noti.

• Architettura della Rete Neurale:

  • È stata adottata una CNN (Convolutional Neural Network) totalmente convoluzionale, ispirata a modelli per la stima dell'età cerebrale.
  • Strategia di Addestramento: Invece di una regressione diretta del punteggio, il modello prevede la distribuzione di probabilità di "prototipi" (40 bin che coprono l'intervallo di movimento [0, 3.12] mm/s).
  • Funzione di Perdita: Utilizzo della divergenza di Kullback-Leibler (KL) invece della semplice Mean Squared Error (MSE), che ha dimostrato prestazioni superiori.
  • Pre-elaborazione: Un'innovazione chiave è l'uso dei 8 bit meno significativi (LSB8) dell'immagine. Rimuovendo l'informazione sulla scala assoluta dei valori (mantenendo solo le differenze fini di immagine), il modello riesce a catturare meglio le sottili variazioni legate al movimento.
  • Augmentation: Evitata la ricampionatura (interpolazione) per non alterare il rumore dell'immagine; utilizzata invece la scalatura dell'intensità e il flipping casuale.

3. Risultati Chiave

Il modello è stato valutato su un set di test non visto (75 partecipanti) e confrontato con metodi dello stato dell'arte (SOTA).

• Prestazioni Superiori: Il metodo proposto ha superato tutte le alternative, inclusi DenseNet, SFCN e gli estimatori di qualità pre-addestrati (MIQA).
  • Punteggio R²: 0.433 (vs 0.395 di DenseNet).
  • Correlazione di Spearman (ρ): 0.584 (vs 0.447 di DenseNet).
  • I metodi SOTA pre-addestrati su dataset con artefatti gravi hanno fallito nel generalizzare su questo dataset a basso movimento (R² negativo per MIQA re-addestrato).
• Generalizzazione: Il modello, sebbene addestrato principalmente su T1w, ha mostrato buone capacità di generalizzazione anche su immagini T2w e FLAIR quando ri-addestrato per queste modalità.
• Separazione delle Classi: Il modello riesce a separare perfettamente le immagini classificate come "PASS" (nessun artefatto) da quelle "WARN" (artefatti visibili) con una soglia di circa 0.6 mm/s.
• Tipologie di Movimento: Il modello è stato in grado di prevedere con successo sia il movimento di deriva (ρ = 0.637) che quello respiratorio (ρ = 0.382), mentre il movimento "rumoroso" ad alta frequenza non è stato prevedibile.
• Correlazione con l'Età: Le previsioni del modello hanno mantenuto la correlazione significativa e nota tra aumento del movimento e aumento dell'età dei partecipanti (p < 0.001), confermando la validità biologica delle stime.

4. Contributi Principali

1. Prima stima oggettiva: Introduzione, per la prima volta, della stima di un punteggio di movimento oggettivo direttamente da immagini di tre diverse sequenze MRI (T1w, T2w, FLAIR).
2. Soluzione Deep Learning avanzata: Presentazione di un metodo che supera gli approcci SOTA su un dataset di partecipanti sani e a basso movimento, utilizzando una strategia di classificazione probabilistica e loss KL.
3. Quantificazione specifica: Capacità di quantificare indipendentemente il movimento da deriva e da respirazione.
4. Validazione biologica: Dimostrazione che le stime predette preservano la correlazione statistica significativa con l'età, un fattore confondente noto.

5. Significato e Implicazioni

• Controllo di Qualità (QC): Il metodo offre uno strumento sensibile per l'identificazione e l'esclusione di casi con artefatti in studi longitudinali su popolazioni sane, dove l'ispezione visiva fallisce.
• Analisi Statistica: Permette l'integrazione di punteggi di movimento come variabili di controllo nei modelli statistici, aiutando a disaccoppiare i bias indotti dal movimento da altri effetti (come l'età o le malattie neurodegenerative).
• Flessibilità: La capacità di adattarsi a diverse modalità (T1, T2, FLAIR) e di essere ri-addestrato su nuovi dati rende il metodo promettente per l'uso in diversi contesti di acquisizione MRI, purché si disponga di dati di riferimento per il movimento.
• Limitazioni: La generalizzazione a dataset completamente nuovi con parametri di acquisizione molto diversi potrebbe richiedere un ri-addestramento dedicato. Inoltre, è necessario verificare se le stime stesse siano influenzate da bias legati all'età o alla patologia.

In sintesi, questo lavoro rappresenta un passo avanti significativo verso l'automazione e l'oggettivazione del controllo di qualità nelle MRI, trasformando le immagini stesse in sensori di movimento per studi clinici e di ricerca di alta precisione.