Harmonic-Aware Transformer for Real-Time Catheter Localization in Interventional Procedures of Magnetic Particle Imaging

Technische Samenvatting: Harmonisch-bewuste Transformer voor Real-time Katheterlokalisatie in MPI

Probleemstelling
Magnetic Particle Imaging (MPI) biedt een stralingsvrije, real-time beeldvormingsmodaliteit die geschikt is voor interventionele procedures door het volgen van instrumenten met magnetische nanodeeltjes. Conventionele MPI-gestuurde interventies vertrouwen echter op beeldreconstructie-pipelines (bijv. systeemmatrixinversie of X-ruimte methoden) om de posities van instrumenten te bepalen. Deze traditionele benaderingen lijden onder hoge computationele latentie, geheugenbeperkingen en potentiële beeldvervaging, wat echte real-time tracking belemmert. Hoewel deep learning is toegepast op MPI voor beeldreconstructie en ruisonderdrukking, zijn er weinig methoden die de reconstructiestap volledig omzeilen om direct de coördinaten van instrumenten te voorspellen vanuit ruwe signalen. Dit artikel adresseert de behoefte aan een framework met lage latentie en hoge nauwkeurigheid dat directe MPI-voltagesignalen naar 3D-katheterpuntposities mapt zonder tussenliggende beeldvorming.

Methodologie
De auteurs stellen een Harmonisch-bewust Transformer-framework voor dat direct in het frequentiedomein opereert. De methodologie bestaat uit drie primaire stadia:

1. Harmonisch-bewuste Preprocessing:

   • Ruwe complex-waardige MPI-signalen van drie ontvangstspoelen ($x, y, z$) worden via Fast Fourier Transform (FFT) getransformeerd naar het frequentiedomein.
   • Een banddoorlaatfilter isoleert de 2e tot 8e harmonischen van de drive-veld frequenties. De fundamentele frequentie wordt uitgesloten omdat deze gedomineerd wordt door modulatiesignalen, terwijl hogere-orde harmonischen vaak door ruis worden gedomineerd.
   • De gefilterde reële en imaginaire componenten worden geconcateneerd om een zeskanaals frequentiedomein-kenmerkvector te vormen, waarbij relevante bewegingsspectrale componenten behouden blijven terwijl de signaal-ruisverhouding (SNR) wordt verbeterd.

2. Transformer Architectuur:

   • Het model, de zogenaamde "catheter transformer", maakt gebruik van een 1D convolutionele laag om de frequentiedomein-signalen te patchen (kernelgrootte $P=64$).
   • Sinusoïdale positionele codering wordt toegevoegd aan de ingebedde patches om de volgorde-informatie van de sequentie te behouden.
   • De sequentie wordt verwerkt door zes encoderlagen, die elk acht multi-head self-attention (MHSA) koppen bevatten. Deze architectuur is ontworpen om langetermijn temporele afhankelijkheden en cross-as correlaties ($x, y, z$) binnen de spectrale data te vangen.
   • Een position-wise feed-forward netwerk (FFN) met GELU-activatie volgt de attention-mechanismen.
   • De uiteindelijke gecodeerde representatie wordt afgeplat en door een twee-laagse Multilayer Perceptron (MLP) geleid om de 3D-katheterpuntcoördinaten ($\hat{x}, \hat{y}, \hat{z}$) te regresseren.

3. Trainingsstrategie:

   • Het model wordt getraind met een gewogen Mean Absolute Error (MAE) loss functie. Cruciaal is dat de $z$-as een hogere weging krijgt ($w_z > w_x = w_y$) om de inherent lagere ruimtelijke resolutie van MPI langs de selectieveldgradiëntrichting te compenseren.
     anderwijs wordt gebruik gemaakt van de AdamW optimizer met een cosine annealing schema en mixed-precision acceleratie.
   • Data-augmentatie omvat amplitude-schaling en Gaussian noise injectie om de generalisatie te verbeteren.

Belangrijkste Bijdragen

• Reconstructievrij Framework: De studie introduceert een signaalgestuurde benadering die directe MPI-voltagesignalen direct mapt naar 3D-coördinaten, waardoor de computationeel dure systeemmatrixinversie en beeldreconstructiestappen worden geëlimineerd.
• Harmonisch-bewuste Preprocessing: Een innovatieve strategie die selectief de 2e–8e harmonischen extraheert om de SNR te verbeteren terwijl kritieke bewegingsgevoelige spectrale kenmerken behouden blijven.
• Transformer-gebaseerde Signaalmodellering: De toepassing van een transformer-architectuur die specifief is afgestemd op MPI-signalen om spatio-temporele spectrale patronen en cross-as afhankelijkheden te modelleren voor nauwkeurige 3D-lokalisatie.
• Uitgebreide Validatie: Uitgebreide evaluatie op zowel gesimuleerde datasets als echte in vitro experimentele data (standaard, buigende en hartslagbewegingsprofielen), wat robuustheid aantoont onder diverse bewegingscondities.

Resultaten
De voorgestelde methode bereikt een sub-millimeter lokalisatienauwkeurigheid met significante verbeteringen in inferentiesnelheid:

• Nauwkeurigheid: Op de buigende dataset behaalde het model een minimale $L_2$-fout van 0,103 ± 0,092 mm en Mean Absolute Errors (MAE) van 0,039 ± 0,046 mm ($x$), 0,054 ± 0,049 mm ($y$), en 0,060 ± 0,044 mm ($z$). Over alle datasets heen varieerde de MAE tussen 0,165 mm en 0,655 mm.
• Prestaties: Het geoptimaliseerde inferentiemodel behaalde een frame-latentie van 0,55 ms en een throughput van ongeveer 1.800 frames per seconde. Deze throughput overtreft de MPI-hardware acquisitiegraad (ca. 23,2 Hz) aanzienlijk, wat de real-time capaciteit bevestigt.
• Ablatie-studies: Experimenten bevestigden dat het bereik van de 2e–8e harmonische de beste balans biedt tussen ruimtelijke informatie en ruisrobuustheid. De gewogen loss-functie bleek cruciaal voor het balanceren van de nauwkeurigheid over de assen, wat met name de prestaties van de $z$-as verbeterde.

Betekenis
Het artikel stelt dat dit framework een verschuiving vertegenwoordigt van beeldreconstructie-afhankelijke tracking naar directe signaal-naar-positie mapping. Door de reconstructie-pipeline te elimineren, biedt de methode verbeterde nauwkeurigheid, verminderde latentie en verhoogde robuustheid onder complexe bewegingscondities vergeleken met conventionele MPI-gestuurde benaderingen. De resultaten benadrukken het potentieel van harmonisch-bewuste transformer-modellen als efficiënte, schaalbare oplossingen voor real-time katheterlokalisatie in interventionele MPI, wat snelle tracking mogelijk maakt zonder de computationele bottlenecks van traditionele methoden. De auteurs merken op dat hoewel de huidige validatie beperkt is tot in vitro fantoom en gesimuleerde data, de aanpak de basis legt voor toekomstige in vivo toepassingen en klinische translatie.