Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction

Technische Samenvatting: Motion Artifact-Aware Self-Supervised Representation Learning voor 3D Brain MRI

Probleemstelling
Patiëntbeweging tijdens de acquisitie van Magnetic Resonance Imaging (MRI) blijft een kritische bron van beelddegradatie, wat leidt tot signaalverlies, onscherpte en geometrische vervormingen die kwantitatieve neuroimaging-analyse in gevaar brengen. Hoewel retrospectieve bewegingscorrectie essentieel is voor grootschalige studies, kampen bestaande deep learning-oplossingen met aanzienlijke beperkingen. Gesuperviseerde methoden zijn afhankelijk van gepaarde, door beweging gecorrumpeerde en bewegingsvrije data, die zelden beschikbaar zijn in klinische of populatiebrede archieven. Omgekeerd lijden ongesuperviseerde benaderingen vaak aan trainingsinstabiliteit, hallucinatie van anatomische details, of afhankelijkheid van ruwe k-ruimtegegevens die in retrospectieve cohorten vaak niet beschikbaar zijn. Er is een kritieke behoefte aan een robuust, schaalbaar framework dat direct in het beelddomein opereert zonder de noodzaak van gepaarde supervisie of expliciete bewegingslabels.

Methodologie: SSRL-MAR
De auteurs stellen SSRL-MAR voor (Self-Supervised Representation Learning for Motion Artifact Reduction), een driestaps, ongepaard framework ontworpen om bewegingsartefacten te leren, te simuleren en te corrigeren in 3D hersen-MRI. De methode werkt volledig in het beelddomein via een gesloten-lus zelf-gesuperviseerde pipeline:

1. Motion Artifact Representation Learning (Fase 1):
   Een contrastieve encoder wordt getraind op ongepaarde 3D-patches (96³ voxels) van schone en door beweging gecorrumpeerde volumes. Met behulp van een anisotrope InfoNCE-loss leert het netwerk om anatomische inhoud te ontkoppelen van bewegingspatronen. Door schone patches te contrasteren met gecorrumpeerde patches (waarbij negatieve samples afkomstig zijn van anatomisch verschillende subjecten), wordt de encoder gedwongen om invariant te worden voor anatomie maar gevoelig te blijven voor bewegingsgeïnduceerde distorties. Dit resulteert in een latente ruimte waarin bewegingsembeddings gescheiden zijn van schone embeddings.

2. Motion Artifact-Aware Synthese (Fase 2):
   Een motion-conditioned degrader network (gebaseerd op een U-Net backbone) synthetiseert realistische bewegingsartefacten uit schone scans. Dit netwerk maakt gebruik van de bewegingsrepresentaties die in Fase 1 zijn geëxtraheerd om het degradatieproces te conditioneren. Het benadert de conditionele distributie $p(x_m | x_c, m)$ en genereert pseudo-gecorrumpeerde volumes die de statistische eigenschappen van echte bewegingsartefacten nabootsen zonder dat hiervoor grondwaarheid bewegingsparameters nodig zijn. De training maakt gebruik van een composietverliesfunctie inclusief content consistentie, adversarial loss (PatchGAN) en de contrastieve loss om te waarborgen dat de gesynthetiseerde artefacten overeenkomen met de geleerde bewegingsmanifold.

3. Motion Artifact-Aware Correctie (Fase 3):
   Een motion-aware generator (eveneens gebaseerd op U-Net, met Swin Transformer blokken) wordt getraind om schone volumes te herstellen uit de gesynthetiseerde gecorrumpeerde paren. Deze fase maakt gebruik van de geleerde bewegingsrepresentaties als priors om de restauratie te sturen. De generator wordt geoptimaliseerd met een composietverliesfunctie die zowel intensiteitsconsistentie als gradiëntconsistentie (behoud van randen en fijne anatomische details) afdwingt ten opzichte van de oorspronkelijke schone inputs die gebruikt zijn om de pseudo-gecorrumpeerde data te genereren.

De trainingsstrategie is sequentieel: de encoder wordt vooraf getraind en bevroren, gevolgd door de degrader, en tenslotte de generator. Voor in-vivo data ondersteunt het framework unsupervised domain adaptation, waarbij de encoder en de daaropvolgende netwerken worden gefinetuned op ongelabelde, door beweging gecorrumpeerde real-world scans om zich aan te passen aan het doeldomein zonder gepaarde referenties.

Belangrijkste Bijdragen

• Ongepaard Framework: SSRL-MAR is het eerste framework dat contrastieve bewegingsrepresentatie-lering combineert met geleerd degradatiemodellering en motion-conditioned correctie voor 3D hersen-MRI, waardoor de noodzaak voor gepaarde trainingsdata of ruwe k-ruimtegegevens vervalt.
• Anatomie-Invariante Representatie: De voorgestelde contrastieve encoder leert bewegingsembeddings die expliciet invariant zijn voor subject-specifieke anatomie, wat de synthese van realistische artefacten mogelijk maakt die geconditioneerd zijn op beweging in plaats van op anatomische structuur.
• Nieuw Degrader Netwerk: Een motion-conditioned degrader genereert realistische artefacten direct in het beelddomein, wat een zelf-gesuperviseerd trainingssignaal creëert dat de kloof tussen simulatie en de realiteit overbrugt.
• Uitgebreide Validatie: De methode wordt gevalideerd over in-silico (IXI, HCP) en in-vivo (MR-ART) datasets, inclusief rigoureuze vergelijkingen met gesuperviseerde baselines (zowel "source-only" als "oracle") en state-of-the-art ongesuperviseerde methoden (CycleGAN, AutoDPS, UDDN).

Experimentele Resultaten

• Kwantitatieve Prestaties: Op in-silico datasets behaalde SSRL-MAR een PSNR van 23,81 dB, SSIM van 91,55% en NMSE van 0,79%. Op de in-vivo MR-ART dataset verminderde de methode de bewegingsdistortie aanzienlijk. Na unsupervised domain adaptation verbeterde het de PSNR met wel 2,0 dB ten opzichte van een "source-only" gesuperviseerd model dat op dezelfde gesimuleerde data was getraind.
• Vergelijking met Gesuperviseerde Modellen: Hoewel een "oracle" gesuperviseerd model (gefine-tuned op gepaarde echte data) iets hogere scores behaalde (0,25–0,47 dB PSNR winst), is dergelijke data in de praktijk niet beschikbaar. SSRL-MAR presteerde beter dan de praktische "source-only" gesuperviseerde baseline, wat aantoont dat zelf-gesuperviseerd leren beter generaliseert naar echte beweging dan directe supervisie op enkel gesimuleerde data.
• Anatomische Getrouwheid: Volumetrische analyse met FreeSurfer toonde aan dat SSRL-MAR de volumetrische fouten in kritieke structuren (bijv. corpus callosum, ventrikelsysteem) bij milde bewegingsniveaus met meer dan 50% verminderde. Corticale oppervlakte-analyse bevestigde het behoud van de continuïteit van gyri-sulci en topologische correctheid, zonder bewijs van gehallucineerde structuren.
• Robuustheid: De methode toonde robuuste prestaties bij variërende bewegingsintensiteiten (van mild tot ernstig) en behield 3D anatomische coherentie over orthogonale aanzichten, waarbij het 2D slice-gebaseerde methoden die slice-wise artefacten introduceerden, overtrof.

Betekenis en Claims
Het artikel claimt dat SSRL-MAR een robuuste en schaalbare image-domain oplossing biedt voor 3D hersen-MRI bewegingscorrectie. De primaire betekenis ligt in het mogelijk maken van betrouwbare structurele kwantificatie in grootschalige neuroimaging-studies zonder de prohibitieve vereiste van prospectief verkregen gepaarde data of scanner-specifieke kalibratie. Door contrastieve representatie-lering te integreren met een geleerd degradatiemodel, bereikt het framework een "physics-inspired, analysis-by-synthesis" pad dat effectief beweging corrigeert terwijl de anatomische getrouwheid behouden blijft. De auteurs stellen dat deze aanpak de generalisatiebeperkingen van gesuperviseerde modellen getraind op gesimuleerde data en de instabiliteit/hallucinatie-risico's van andere ongesuperviseerde generatieve modellen overwint, en daarmee een praktisch instrument biedt voor retrospectieve klinische en onderzoek-neuroimaging pipelines.