Estimating Head Motion from MR-Images

1. O Problema

O movimento da cabeça é um fator de confusão onipresente na aquisição de imagens de Ressonância Magnética (MRI). Ele introduz artefatos que enviesam análises morfométricas subsequentes, mesmo quando a qualidade visual é verificada por especialistas.

• Desafio Específico: A maioria das pesquisas foca em coortes clínicas com alto nível de movimento ou movimento induzido. Pouco se sabe sobre o movimento em populações saudáveis e cooperativas (como o Rhineland Study), onde os artefatos são sutis e difíceis de detectar visualmente.
• Limitação Atual: Os métodos existentes baseiam-se em classificações qualitativas subjetivas de especialistas (Pass/Warning/Fail) ou em métricas de similaridade de imagem simulada. Essas abordagens falham em quantificar movimentos sutis e contínuos, impedindo a inclusão de estimativas de movimento como variáveis de controle em modelos estatísticos.

2. Metodologia

Os autores propõem um método de aprendizado profundo para estimar diretamente o movimento da cabeça a partir das imagens de MRI adquiridas, utilizando dados de uma câmera de profundidade in-scanner como "verdadeira verdade" (ground truth).

• Dados:

  • Fonte: Estudo Rhineland (participantes saudáveis, 30-95 anos).
  • Imagens: T1w, T2w e FLAIR (voxel isotrópico de 0.8/1.0 mm).
  • Ground Truth: Uma câmera de profundidade captura o movimento facial durante o escaneamento. O movimento é quantificado como uma pontuação escalar (mm/s) baseada nas diferenças de transformação de Jenkinson, sincronizada com a sequência de MRI.
  • Classificação de Movimento: O movimento é decomposto em três faixas de frequência: Drift (desvio lento/relaxamento), Movimento Respiratório (periódico) e "Movimento Ruidoso" (alta frequência).

• Arquitetura e Treinamento:

  • Modelo: Uma Rede Neural Convolucional (CNN) totalmente convolucional, baseada em arquiteturas de estimativa de idade cerebral (SFCN).
  • Estratégia de Saída: Em vez de regressão direta, o modelo prevê uma distribuição de probabilidade sobre 40 "protótipos" (bins) dentro do intervalo de movimento esperado [0, 3.12] mm/s.
  • Função de Perda: Utiliza a Divergência de Kullback-Leibler (KL) para treinar a distribuição de probabilidade, em vez de Erro Quadrático Médio (MSE) simples.
  • Pré-processamento: Uma descoberta crucial foi o uso dos 8 Bits Menos Significativos (LSB8) das imagens. Isso remove a informação de tamanho absoluto e foca nas pequenas diferenças de ruído e textura da imagem, melhorando a sensibilidade ao movimento.
  • Aumento de Dados: Escalonamento de intensidade e espelhamento aleatório (evita interpolação para não alterar o ruído da imagem).

3. Contribuições Principais

1. Estimativa Objetiva: Primeira introdução de uma pontuação de movimento objetiva contínua derivada diretamente de imagens de três sequências de MRI (T1w, T2w, FLAIR).
2. Desempenho Superior: Apresenta uma solução baseada em Deep Learning que supera os métodos atuais (State-of-the-Art - SOTA), incluindo DenseNet e estimadores de qualidade baseados em especialistas, especificamente em coortes de baixo movimento.
3. Separação de Tipos de Movimento: Capacidade de quantificar independentemente o movimento de drift (relaxamento) e o movimento respiratório.
4. Validação Biológica: O método preserva a correlação significativa conhecida entre o movimento previsto e a idade dos participantes, validando sua sensibilidade biológica.

4. Resultados

• Desempenho Quantitativo: No conjunto de teste (dados não vistos), o método alcançou um coeficiente de determinação ($R^2$) de 0.433 e uma correlação de posto de Spearman ($\rho$) de 0.584. Isso supera significativamente o DenseNet ($R^2$ 0.395) e o SFCN ($R^2$ 0.275).
• Generalização: O modelo, treinado em T1w, generalizou-se bem para imagens T2w e FLAIR quando re-treinado, mantendo alta correlação de Spearman.
• Detecção de Artefatos: O método consegue separar perfeitamente casos classificados como "PASS" (sem artefatos visíveis) e "WARN" (artefatos visíveis leves) com um limiar de ~0.6 mm/s, algo que a inspeção visual humana não conseguiu fazer consistentemente neste conjunto de dados.
• Ablação: O uso da perda KL com distribuição de probabilidade e a entrada de imagens LSB8 foram os fatores mais críticos para o sucesso, superando a regressão direta com MSE e o uso de imagens brutas.
• Correlação com Idade: Confirmou-se uma correlação estatisticamente significativa ($p < 0.001$) entre a pontuação de movimento prevista e a idade dos participantes, replicando o comportamento esperado da verdadeira verdade.

5. Significado e Conclusão

Este trabalho representa um avanço significativo na garantia de qualidade de MRI para estudos populacionais.

• Impacto na Pesquisa: Permite a inclusão de estimativas de movimento contínuas e objetivas em modelos estatísticos para controlar vieses induzidos pelo movimento, mesmo em estudos onde os artefatos são invisíveis a olho nu.
• Aplicabilidade: O método é particularmente valioso para estudos longitudinais (como o Rhineland Study), ajudando a desvendar se alterações observadas são devidas à idade/doença ou apenas a artefatos de movimento.
• Limitações Futuras: A generalização para novos conjuntos de dados pode exigir re-treinamento devido a diferenças nos parâmetros de aquisição e níveis de movimento. Além disso, é necessário investigar se a própria estimativa de movimento é enviesada por fatores como idade ou doenças.

Em resumo, o método proposto oferece uma ferramenta sensível e automatizada para detectar e quantificar movimentos sutis da cabeça, superando as limitações da avaliação visual humana e de métodos baseados em especialistas.