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

Technische Samenvatting: Eddeep – Een Deep-Learning Framework voor Snelle Correctie van Eddy-Current Distorsie in Diffusion MRI

Probleemstelling
Diffusion MRI (dMRI) vertrouwt op echo-planar imaging (EPI), wat zeer gevoelig is voor geometrische distorsies. Terwijl susceptibiliteits-geïnduceerde distorsies statisch zijn gedurende een acquisitie, variëren door eddy-currents veroorzaakte distorsies tussen volumes afhankelijk van de sterkte en richting van de diffusie-sensitiserende gradiënten. Deze variatie veroorzaakt misalignement tussen volumes, wat downstream microstructuur-analyses vertekent.

Huidige state-of-the-art correctiemethoden, zoals FSL Eddy, maken gebruik van iteratieve predictie-correctie schema's. Deze methoden schatten een distorsievrije versie van elk volume in en brengen volumes iteratief in lijn met deze voorspellingen. Hoewel effectief, is deze aanpak computationeel duur, omdat er voor elk volume-paar nieuwe iteratieve optimalisaties nodig zijn, wat de implementatie van snelle preprocessing-pipelines voor grootschalige studies en klinische toepassingen belemmert. Bovendien is directe registratie tussen diffusie-gewogen (DW) volumes en de $b=0$ referentie uitdagend vanwege de ernstige contrastverschillen (bijv. signaalattenuatie, verdwijnende CSF-grenzen) die standaard gelijkenis-metrieken verstoren.

Methodologie: Het Eddeep Framework
De auteurs stellen Eddeep voor, een tweestaps deep-learning framework dat contraststandaardisatie ontkoppelt van geometrische correctie om snelle, single-pass inferentie mogelijk te maken. Het framework bestaat uit twee sequentieel getrainde modellen:

1. Image Translation Model (Supervised):

   • Doel: Om elk input DW of $b=0$ volume naar een gestandaardiseerd uiterlijk te mappen, waarbij contrastverschillen (zoals gradiëntrichting-afhankelijke attenuatie en CSF-grenzen) worden verwijderd die betrouwbare registratie hinderen, terwijl de geometrische getrouwheid behouden blijft.
   • Architectuur: Een 3D U-Net die supervised is getraind op eerder gecorrigeerde data (gegenereerd door FSL Eddy).
   • Trainingsdoelstelling: Het model minimaliseert de Mean Absolute Error (MAE) tussen het vertaalde inputbeeld en een doelbeeld. Het doelbeeld wordt geconstrueerd door alle diffusievolumes te middelen bij een matige $b$-waarde (700–3000 s/mm²) over verschillende gradiëntrichtingen, bias-field gecorrigeerd en reeds gecorrigeerd.
   • Augmentatie: De training maakt gebruik van contrast-augmentaties (het synthetiseren van nieuwe $b$-waarden via mono-exponentiële interpolatie/extrapolatie, het toevoegen van bias fields en Rician ruis) en ruimtelijke augmentaties (willekeurige globale affine en diffeomorfe deformaties) om generalisatie te verbeteren.

2. Image Registration Model (Unsupervised):

   • Doel: Om gezamenlijk de eddy-current distorsie en de bewegingsparameters van het hoofd tussen volumes te schatten, waarbij een vertraald DW-volume wordt uitgelijnd met een vertraald, distorsievrij $b=0$ referentievolume.
   • Architectuur: Een CNN-gebaseerde geometrie-encoder gevolgd door een Multi-Layer Perceptron (MLP) die direct transformatieparameters regresseert.
   • Fysische beperkingen: Het model houdt zich aan een unidirectioneel kwadratisch distorsiemodel. De transformatie $T$ is samengesteld als $T = E \circ R$, waarbij $R$ een rigide lichaamsbeweging is (6 vrijheidsgraden) en $E$ een kwadratische distorsie die beperkt is tot de fase-codering richting (PED) (10 vrijheidsgraden).
   • Intensiteitsmodulatie: Om rekening te houden met signaalstapeling (pile-up) en rekking veroorzaakt door geometrische deformatie, past het framework tijdens de inferentie Jacobian intensiteitsmodulatie toe: $I(x) = |\det J_T(x)| \cdot I' \circ T(x)$.
   • Training: Het registratiemodel wordt unsupervised getraind door de gelijkenis (MSE) te maximaliseren tussen het gewarpte vertaalde DW-volume en het vertaalde $b=0$ referentievolume. De gewichten van de translator zijn tijdens deze fase bevroren.

Belangrijkste Bijdragen

• Nieuwe Architectuur: Eddeep is de eerste deep-learning benadering die specifiek is voorgesteld voor eddy-current distorsie correctie, waarbij het unieke probleem van het registreren van volumes met drastisch verschillende contrastprofielen wordt aangepakt.
• Tweestaps Ontkoppeling: Door contraststandaardisatie (translatie) te scheiden van geometrische uitlijning (registratie), overwint de methode de beperkingen van directe registratie tussen high-$b$ en $b=0$ beelden.
• Physics-Informed Learning: Het registratiemodel incorporeert een beperkt kwadratisch distorsiemodel en Jacobian intensiteitsmodulatie, wat fysiek plausibele correcties garandeert zonder iteratieve optimalisatie.
• Efficiëntie: Het framework voert de correctie uit in één enkele forward pass, waardoor de noodzaak voor de iteratieve predictie-correctie lussen die kenmerkend zijn voor traditionele methoden wordt geëlimineerd.

Resultaten
De methode werd getraind op UK Biobank-data en geëvalueerd op zowel in-domain (UK Biobank) als out-of-domain (Memodyn) datasets.

• Correctiekwaliteit: Over een reeks complementaire metrieken heeft Eddeep een correctiekwaliteit bereikt die vergelijkbaar is met FSL Eddy:
  • Geometrische Uitlijning: Significante reductie in tussen-volume jitter (zowel bij de hersenrand als over de gehele hersenen na translatie).
  • Microstructurele Consistentie: Verminderde Diffusion Kurtosis Imaging (DKI) fractional anisotropy (FA) halo's bij de hersengrens en lagere DKI-modelresiduen vergeleken met ongecorrigeerde data, waarbij de prestaties over het algemeen overeenkomen met of zelfs licht boven FSL Eddy liggen op in-domain data.
  • Signaalregulariteit: Verminderde signaalonregelmatigheid in de q-ruimte en verhoogde pairwise mutual information tussen volumes.
• Translatiekwaliteit: De translator slaagde erin het beelduiterlijk te standaardiseren, waarbij CSF-grenzen en richting-afhankelijke attenuatiepatronen werden verwijderd terwijl de anatomie behouden bleef. De variant met meer augmentatie (trans+) vertoonde de beste balans tussen scherpte en robuustheid.
• Verwerkingstijd: Eddeep demonstreerde een aanzienlijk snelheidvoordeel. Op een Apple M3 MacBook Pro corrigeerde Eddeep een volledige acquisitie in ongeveer 2 minuten, vergeleken met meer dan 1 uur voor FSL Eddy (een reductie in inferentietijd van >30-voudig).

Betekenis en Claims
Het artikel claimt dat Eddeep aantoont dat deep learning een nauwkeurige en efficiënte eddy-current distorsie correctie kan bieden zonder afhankelijk te zijn van iteratieve optimalisatie. Door de inferentietijd te verminderen van uren naar minuten, ondersteunt het framework de ontwikkeling van snellere dMRI-verwerkingspipelines geschikt voor grootschalige studies en klinische implementatie. De auteurs positioneren Eddeep als een complementair hulpmiddel voor bestaande deep-learning methoden voor susceptibiliteitsdistorsie-correctie en microstructuur-parameter schatting, bijdragend aan het doel van inline kwantitatieve MRI.

Beperkingen en Toekomstig Werk
De auteurs erkennen dat de evaluatie steunt op indirecte metrieken vanwege het gebrek aan ground-truth eddy-distorsies in echte data. Daarnaast vereist het translatie-model eerder gecorrigeerde data voor training, wat een afhankelijkheid van bestaande tools creëert. Momenteel ondersteunt Eddeep geen binnen-volume bewegingscorrectie of outlier-vervanging (slice dropout), functies die aanwezig zijn in geavanceerde versies van FSL Eddy. Toekomstig werk kan lage-frequentie deformatievelden verkennen als alternatieven voor polynomiale modellen en de synthese van DW-beelden uit anatomische scans om undistorsieerde referenties te genereren zonder externe correctie.