Phase-map synthesis from magnitude-only MR images using conditional score-based diffusion models with application in training of accelerated MRI reconstruction models

Sintesi Tecnica: Sintesi di Mappe di Fase da Immagini MR solo in Magnitudine mediante Modelli Diffusivi Basati su Punteggio Condizionati

Enunciato del Problema
L'addestramento di modelli di ricostruzione di immagini basati sull'apprendimento profondo (DL) per la risonanza magnetica (MRI) accelerata richiede grandi e diversificati set di dati di dati grezzi nello spazio k (dominio di Fourier). Tuttavia, nella maggior parte degli ambienti clinici, i dati grezzi nello spazio k vengono scartati a causa di vincoli di archiviazione e preoccupazioni relative alla privacy dei pazienti; vengono conservate solo le immagini solo in magnitudine (tipicamente in formato DICOM). Sebbene l'applicazione di una trasformata di Fourier inversa alle immagini solo in magnitudine produca dati nello spazio k "validi", l'assenza di informazioni di fase — che sono intrinsecamente non nulle nella MRI — ignora caratteristiche critiche, portando spesso a prestazioni di ricostruzione subottimali. La letteratura esistente si è limitata a piccoli set di dati di addestramento o a pochi repository open-source di dati nello spazio k. Sebbene sia stato dimostrato che i dati sintetici migliorano la generalizzazione nella MRI basata su DL, gli approcci generativi esistenti, come le Reti Avversariali Generative (GAN), soffrono di instabilità nell'addestramento e di risultati distorti. È necessario un metodo generativo robusto per sintetizzare mappe di fase realistiche a partire da immagini solo in magnitudine, al fine di creare set di dati di addestramento su larga scala.

Metodologia
Gli autori propongono un nuovo framework che utilizza Modelli Diffusivi Basati su Punteggio Condizionati (SBDM) per sintetizzare mappe di fase realistiche per la MRI a partire da immagini solo in magnitudine. La pipeline consta di tre fasi principali:

1. Addestramento SBDM: Viene costruito un processo diffusivo continuo in cui l'obiettivo è modellare la distribuzione a posteriori delle mappe di fase ($x$) condizionata alle immagini in magnitudine ($y$). Gli autori adottano una formulazione VE-SDE (Variance Exploding), osservando empiricamente che produce una qualità del campione superiore rispetto alla SDE VP (Variance Preserving). Il modello utilizza una rete di funzione di punteggio dipendente dal tempo ($s_\theta$), basata sull'architettura ncsnpp (una variante U-Net con blocchi residui BigGAN), addestrata tramite sliced score matching. La rete impara a rimuovere il rumore dalle mappe di fase rumorose concatenate alle immagini in magnitudine.
2. Sintesi della Mappa di Fase: Una volta addestrato, l'SBDM genera mappe di fase realistiche corrispondenti alle immagini in magnitudine solo in ingresso. Queste mappe di fase sintetizzate vengono combinate con le immagini in magnitudine originali per ricostruire i dati completi complessi nello spazio k.
3. Valutazione a valle: Per valutare la qualità delle mappe di fase sintetizzate, gli autori addestrano un VarNet (un modello di ricostruzione MRI accelerata basato su DL) utilizzando i dati nello spazio k sintetizzati. Questo VarNet viene quindi testato su dati reali nello spazio k (dal dataset fastMRI) per valutare la fedeltà della ricostruzione.

Il metodo proposto viene confrontato con tre baseline:

• Naïve/Liscia: Immagini in magnitudine combinate con mappe di fase campionate da una distribuzione Gaussiana.
• GAN: Mappe di fase sintetizzate utilizzando un approccio GAN all'avanguardia.
• Ground Truth (GT): Mappe di fase derivate da effettivi dati grezzi nello spazio k.

Principali Contributi

• Prima Applicazione degli SBDM per la Sintesi di Fase nella MRI: Per quanto noto agli autori, questo è il primo lavoro che esplora l'applicazione di modelli diffusivi basati su punteggio specificamente per la sintesi di mappe di fase a partire da immagini MR solo in magnitudine.
• Strategia di Aumento dei Dati: Il metodo consente la creazione di grandi e diversificati set di dati di addestramento nello spazio k a partire da registri ampiamente disponibili di immagini solo in magnitudine, affrontando la scarsità di dati grezzi nello spazio k.
• Valutazione Completa: Lo studio valuta il modello generativo non solo sulla similarità visiva (utilizzando la Fréchet Inception Distance, FID), ma criticamente sulla sua utilità in un compito di ricostruzione a valle, misurando sia metriche quantitative (SSIM, PSNR, NRMSE) che fedeltà qualitativa (presenza di caratteristiche allucinate).

Risultati

• Qualità Generativa: L'SBDM ha superato significativamente l'approccio GAN in termini di punteggi FID. Per il dataset del ginocchio, l'FID è stato di 5,46 (SBDM) contro 40,65 (GAN); per il dataset del cervello, è stato di 3,46 (SBDM) contro 32,08 (GAN). Qualitativamente, le mappe di fase derivate da GAN hanno mostrato pattern errati netti e rumore non presenti nel ground truth, mentre gli output SBDM sono risultati più realistici.
• Prestazioni di Ricostruzione: I modelli VarNet addestrati su dati nello spazio k sintetizzati da SBDM hanno raggiunto prestazioni quasi identiche a quelle dei modelli addestrati su dati nello spazio k ground truth attraverso vari fattori di accelerazione ($R \in \{2, 3, 4, 6\}$) e dimensioni della regione di auto-calibrazione.
• Confronto con le Baseline:
  • L'approccio Naïve (Fase Liscia) ha prestazioni comparabili a quelle dell'SBDM a bassi fattori di accelerazione, ma si degrada severamente all'aumentare dell'accelerazione.
  • L'approccio basato su GAN ha mostrato metriche quantitative comparabili (NRMSE) a quelle dell'SBDM in alcuni casi, ma ha fallito qualitativamente. A fattori di accelerazione più elevati, i modelli addestrati con GAN hanno prodotto caratteristiche "allucinate" (strutture errate) nelle immagini ricostruite, in particolare nelle strutture cerebrali, il che potrebbe influire negativamente sull'accuratezza diagnostica.

Significato e Affermazioni
Il documento afferma che l'approccio SBDM proposto è superiore ai metodi basati su GAN esistenti per la sintesi di mappe di fase nella MRI. Gli autori sottolineano che, sebbene le metriche quantitative come l'NRMSE possano essere simili tra gli approcci SBDM e GAN, la fedeltà della ricostruzione è il differenziatore critico. L'approccio SBDM evita la generazione di caratteristiche errate o allucinate che potrebbero compromettere l'accuratezza diagnostica, un rischio osservato con le GAN.

Gli autori concludono che avere una mappa di fase "realistica" è cruciale per utilizzare in modo efficiente i database di immagini MR solo in magnitudine per addestrare modelli di ricostruzione altamente accelerati. Posizionano il loro lavoro come una soluzione al problema dello "spostamento del dataset" (dataset shift) nel deployment clinico del DL, consentendo l'uso di vasti repository anonimizzati di immagini solo in magnitudine per addestrare modelli di ricostruzione generalizzabili e ad alte prestazioni senza richiedere l'accesso ai dati grezzi nello spazio k scartati.