SuCor: Susceptibility Distortion Correction via Parameter-Free and Self-Regularized Optimal Transport

Titel

SuCor: Correctie van Susceptibiliteitsvervorming via Parameterloze en Zelf-geregulariseerde Optimaal Transport

1. Het Probleem

Bij magnetische resonantiebeeldvorming (MRI), en specifiek bij Echo Planar Imaging (EPI) zoals gebruikt in diffusie-MRI en fMRI, ontstaan er geometrische vervormingen door verschillen in magnetische susceptibiliteit op de grensvlakken tussen lucht en weefsel.

• Oorzaak: Deze verschillen veroorzaken ruimtelijk variërende inhomogeniteiten in het B0-veld. Tijdens de lange leestijd van EPI accumuleren off-resonantie frequenties fase, wat leidt tot vervormingen langs de fase-encoderingsrichting (PE).
• Gevolg: Dit resulteert in lokale compressie of expansie van het beeld, signaalaanrijking (signal pile-up) en intensiteitsmodulatie.
• Huidige oplossing en beperkingen: De standaardmethode (FSL TOPUP) gebruikt twee EPI-beelden met tegengestelde PE-polariteit en lost een niet-lineaire optimalisatieprobleem op met B-splines. Hoewel effectief, is deze methode computatiever (tientallen minuten tot uren), vereist handmatige tuning van regularisatieparameters en is gevoelig voor lokale fouten door de globale gladheidsprior.

2. Methodologie: SuCor

SuCor (Susceptibility Correction) introduceert een alternatieve formulering gebaseerd op Optimaal Transport (OT) langs de fase-encoderingsrichting.

A. Probleemformulering

Het model beschouwt twee EPI-volumes ($I^+$ en $I^-$) met tegengestelde polariteit. Voor een vaste kolom langs de PE-as worden de intensiteitsprofielen gezien als dezelfde onderliggende signaalmassa die is herschikt door gelijke maar tegengestelde verschuivingen ($\pm u$). Het doel is het vinden van het verplaatsingsveld $u$ dat deze profielen op elkaar afstemt.

B. Kolomsgewijze Optimaal Transport

In plaats van een complexe 3D-optimalisatie, behandelt SuCor elke kolom langs de PE-as onafhankelijk als een 1D-probleem:

• De intensiteitsprofielen worden genormaliseerd tot een eenheidsmassa.
• De optimale transportkaart (Wasserstein-2 metriek) wordt berekend tussen de twee profielen. Voor 1D-verdelingen heeft dit een gesloten vorm: de kwantiel-herschikking $T^* = F_b^{-1} \circ F_a$.
• De ruwe verplaatsing $u_0$ voor elke voxel wordt berekend als het gemiddelde van de verschuiving: $u_0 = \frac{1}{2}(T^*(t) - t)$.
• Complexiteit: Dit stadium is zeer snel ($O(N \log N)$ per kolom).

C. Spectrale Geregulariseerde Bending-Energy

De ruwe OT-velden zijn lokaal accuraat maar vertonen "kolomstrepen" (striations) in de loodrechte richting door de onafhankelijke berekening.

• Regularisatie: Er wordt een bending-energy penalty toegepast in het Fourier-domein (spectrale domein).
• Formule: $\hat{u}_\lambda(k) = \frac{\hat{u}_0(k)}{1 + \lambda |k|^4}$. De term $|k|^4$ correspondeert met de dunne-plaat buigenergie ($\int |\nabla^2 u|^2 dx$).

D. Automatische Parameterselectie (Morozov)

Een unieke eigenschap van SuCor is dat er geen handmatige parameter-tuning nodig is.

• De regularisatiesterkte $\lambda$ wordt automatisch bepaald via het Morozov-discrepantieprincipe.
• Het ruisniveau ($\sigma$) wordt geschat uit de achtergrondpixels.
• De doelresidu-norm wordt vastgesteld als $\delta = \tau \cdot \sigma$ (met $\tau=1.5$).
• $\lambda$ wordt via bisection gezocht zodat $\|u_\lambda - u_0\| = \delta$. Dit proces convergeert zeer snel.

3. Belangrijkste Bijdragen

1. Parameterloze Benadering: Elimineert de noodzaak voor handmatige configuratie of parametergrids, wat de reproduceerbaarheid en gebruiksvriendelijkheid vergroot.
2. Snelheid: Door de 1D OT-berekening en spectrale regularisatie is de methode extreem snel. De volledige 3D-correctie duurt ongeveer 12 seconden op één CPU-kern (tegenover 55 minuten voor TOPUP).
3. Lokale Accuratesse: De per-kolom OT-methode behoudt fijnmazige lokale vervormingsstructuren beter dan de globale gladheidsprior van B-splines.
4. Parallelle Implementatie: Het algoritme is "embarrassingly parallel" over slices en kolommen.

4. Resultaten

De methode werd getest op het Human Connectome Project (HCP) dataset (1200 Young Adult) met LR/RL EPI-paren en een T1-referentie.

• Structurale Overeenkomst (T1-MI): SuCor behaalde een gemiddelde wederzijdse informatie (Mutual Information) met de T1-structuur van 0.341, wat significant hoger is dan TOPUP (0.317). Dit wijst op een betere anatomische correctie.
• LR-RL Consistentie: TOPUP behaalde een iets hogere genormaliseerde kruiscorrelatie (NCC: 0.964 vs 0.933) en lagere RMSE. Dit suggereert dat TOPUP door zijn sterke gladheidsprior de twee beelden meer op elkaar laat lijken, mogelijk ten koste van de echte anatomische details.
• Visuele Kwaliteit: SuCor toont minder vervorming in de frontale en temporale regio's en behoudt scherpere overgangen op weefselgrenzen.
• Rusttijd: 12 seconden vs. 55 minuten voor TOPUP.

5. Betekenis en Conclusie

SuCor vertegenwoordigt een paradigmaverschuiving in correctie van susceptibiliteitsvervorming. Door het probleem te herformuleren als een reeks 1D-optimaal transportproblemen, wordt de afhankelijkheid van iteratieve, dure optimalisatie en handmatige parameterkeuze verwijderd.

• Sterke punten: De methode levert superieure anatomische nauwkeurigheid (hogere MI met T1) en is extreem snel. De "kolomvariatie" die in de ruwe data zit, blijkt vaak echte lokale vervorming te zijn en niet ruis, wat SuCor in staat stelt deze beter vast te leggen dan TOPUP.
• Beperkingen: Er is een fundamentele spanning tussen veldgladheid en correctiefideliteit. SuCor is iets minder consistent tussen de LR- en RL-beelden (lagere NCC) dan TOPUP, omdat het minder agressief gladstrijkt.
• Toekomst: De methode biedt een robuuste, snelle en volledig geautomatiseerde oplossing die ideaal is voor grote datasets en klinische toepassingen waar tijd en consistentie cruciaal zijn.