Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI

Sintesi Tecnica: Eddeep – Un framework di Deep Learning per la rapida correzione delle distorsioni da correnti parassite nella dMRI

Definizione del Problema
La risonanza magnetica di diffusione (dMRI) si basa sulla tecnica echo-planar imaging (EPI), la quale è altamente suscettibile a distorsioni geometriche. Mentre le distorsioni indotte dalla suscettibilità sono statiche durante l'acquisizione, le distorsioni indotte da correnti parassite (eddy currents) variano tra i volumi a seconda dell'intensità e della direzione dei gradienti sensibilizzanti alla diffusione. Questa variazione causa un disallineamento tra i volumi, introducendo bias nelle analisi microstrutturali a valle.

Gli attuali metodi allo stato dell'arte, come FSL Eddy, utilizzano schemi iterativi di predizione-correzione. Questi metodi stimano una versione priva di distorsioni di ogni volume e allineano iterativamente i volumi a tali predizioni. Sebbene efficaci, questo approccio è computazionalmente costoso, richiedendo nuove ottimizzazioni iterative per ogni coppia di volumi, il che ostacola l'implementazione di pipeline di pre-processing veloci per studi su larga scala e applicazioni cliniche. Inoltre, la registrazione diretta tra i volumi pesati in diffusione (DW) e il riferimento $b=0$ è problematica a causa delle marcate differenze di contrasto (ad esempio, attenuazione del segnale, confini del liquor evanescenti) che interrompono le metriche di somiglianza standard.

Metodologia: Il Framework Eddeep
Gli autori propongono Eddeep, un framework di deep learning a due stadi che scinde la standardizzazione del contrasto dalla correzione geometrica per consentire un'inferenza rapida in un unico passaggio. Il framework consiste in due modelli addestrati sequenzialmente:

1. Modello di Traduzione dell'Immagine (Supervisionato):

   • Obiettivo: Mappare qualsiasi volume DW o $b=0$ in ingresso verso un aspetto standardizzato, rimuovendo le differenze di contrasto (come l'attenuazione dipendente dalla direzione del gradiente e i confini del liquor) che ostacolano una registrazione affidabile, preservando al contempo la fedeltà geometrica.
   • Architettura: Una 3D U-Net addestrata in modo supervisionato su dati precedentemente corretti (generati da FSL Eddy).
   • Obiettivo di Addestramento: Il modello minimizza l'Errore Assoluto Medio (MAE) tra l'immagine tradotta in ingresso e un'immagine target. Il target è costruito mediando tutti i volumi di diffusione a un valore di $b$ moderato (700–3000 s/mm²) attraverso diverse direzioni di gradiente, corretti per il campo di bias e precedentemente corretti.
   • Augmentation: L'addestramento impiega aumenti di contrasto (sintetizzando nuovi valori di $b$ tramite interpolazione/estrapolazione mono-esponenziale, aggiunta di campi di bias e rumore Rician) e aumenti spaziali (deformazioni affini globali e diffeomorfiche casuali) per migliorare la generalizzazione.

2. Modello di Registrazione dell'Immagine (Non Supervisionato):

   • Obiettivo: Stimare congiuntamente la distorsione da correnti parassite e i parametri di movimento della testa tra i volumi, allineando un volume DW tradotto a un riferimento $b=0$ tradotto e privo di distorsioni.
   • Architettura: Un encoder geometrico basato su CNN seguito da un Multi-Layer Perceptron (MLP) che regredisce direttamente i parametri di trasformazione.
   • Vincoli Fisici: Il modello aderisce a un modello di distorsione quadratica uni-direzionale. La trasformazione $T$ è composta come $T = E \circ R$, dove $R$ è un movimento di corpo rigido (6 gradi di libertà) ed $E$ è una distorsione quadratica vincolata alla direzione di codifica di fase (PED) (10 gradi di libertà).
   • Modulazione dell'Intensità: Per tenere conto dell'accumulo di segnale (pile-up) e dello stiramento causati dalla deformazione geometrica, il framework applica la modulazione dell'intensità giacobiana durante l'inferenza: $I(x) = |\det J_T(x)| \cdot I' \circ T(x)$.
   • Addestramento: Il modello di registrazione è addestrato in modo non supervisionato massimizzando la somiglianza (MSE) tra il volume DW tradotto e il riferimento $b=0$ tradotto. I pesi del traduttore sono congelati durante questa fase.

Contributi Chiave

• Architettura Innovativa: Eddeep è il primo approccio di deep learning proposto specificamente per la correzione delle distorsioni da correnti parassite, affrontando la sfida unica di registrare volumi con profili di contrasto drasticamente differenti.
• Scissione in Due Stadi: Separando la standardizzazione del contrasto (traduzione) dall'allineamento geometrico (registrazione), il metodo supera i limiti della registrazione diretta tra immagini ad alto $b$ e $b=0$.
• Apprendimento Informato dalla Fisica: Il modello di registrazione incorpora un modello di distorsione quadratica vincolato e la modulazione dell'intensità giacobiana, garantendo correzioni fisicamente plausibili senza necessità di ottimizzazione iterativa.
• Efficienza: Il framework esegue la correzione in un singolo passaggio in avanti (forward pass), eliminando i cicli iterativi di predizione-correzione caratteristici dei metodi tradizionali.

Risultati
Il metodo è stato addestrato su dati UK Biobank ed è stato valutato sia su dataset in-domain (UK Biobank) che out-of-domain (Memodyn).

• Qualità della Correzione: Attraverso una gamma di metriche complementari, Eddeep ha raggiunto una qualità di correzione paragonabile a FSL Eddy:
  • Allineamento Geometrico: Significativa riduzione del jitter tra i volumi (sia al bordo del cervello che in tutto il cervello dopo la traduzione).
  • Consistenza Microstrutturale: Riduzione degli aloni di anisotropia frazionale (FA) della Diffusion Kurtosis Imaging (DKI) al bordo cerebrale e minori residui del modello DKI rispetto ai dati non corretti, con prestazioni che generalmente eguagliano o superano leggermente FSL Eddy sui dati in-domain.
  • Regolarità del Segnale: Riduzione dell'irregolarità del segnale nello spazio q e aumento della mutua informazione a coppie tra i volumi.
• Qualità della Traduzione: Il traduttore ha standardizzato con successo l'aspetto dell'immagine, rimuovendo i confini del liquor e i pattern di attenuazione dipendenti dalla direzione, preservando l'anatomia. La variante con augmentation moderata (trans+) ha mostato il miglior compromesso tra nitidezza e robustezza.
• Tempo di Elaborazione: Eddeep ha dimostrato un vantaggio sostanziale in termini di velocità. Su un Apple M3 MacBook Pro, Eddeep ha corretto un'intera acquisizione in circa 2 minuti, rispetto a oltre 1 ora per FSL Eddy (una riduzione del tempo di inferenza di oltre 30 volte).

Significatività e Rivendicazioni
L'articolo sostiene che Eddeep dimostri come il deep learning possa fornire una correzione delle distorsioni da correnti parassite accurata ed efficiente senza fare affidamento sull'ottimizzazione iterativa. Riducendo il tempo di inferenza da ore a minuti, il framework supporta lo sviluppo di pipeline di elaborazione dMRI più veloci, adatte a studi su larga scala e all'impiego clinico. Gli autori posizionano Eddeep come uno strumento complementare agli esistenti metodi di deep learning per la correzione delle distorsioni da suscettibilità e la stima dei parametri microstrutturali, contribuendo all'obiettivo della MRI quantitativa in linea.

Limitazioni e Lavori Futuri
Gli autori riconoscono che la valutazione si basa su metriche indirette a causa della mancanza di ground-truth per le distorsioni da correnti parassite nei dati reali. Inoltre, il modello di traduzione richiede dati precedentemente corretti per l'addestramento, creando una dipendenza dagli strumenti esistenti. Attualmente, Eddeep non supporta la correzione del movimento intra-volume o la sostituzione degli outlier (slice dropout), funzionalità presenti nelle versioni avanzate di FSL Eddy. Il lavoro futuro potrebbe esplorare campi di deformazione a bassa frequenza come alternative ai modelli polinomiali e la sintesi di immagini DW da scansioni anatomiche per generare riferimenti non distorti senza correzione esterna.