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

Resumo Técnico: SuCor

Título: SuCor: Correção de Distorção por Suscetibilidade via Transporte Ótimo Sem Parâmetros e Auto-regularizado.
Autores: Sreekar Chigurupati e Eleftherios Garyfallidis (Indiana University, EUA).

1. O Problema

Em imagens de Ressonância Magnética (MRI), especificamente na Imagem por Eco Planar (EPI) utilizada em MRI de difusão e fMRI, as diferenças de suscetibilidade magnética nas interfaces ar-tecido induzem inhomogeneidades no campo magnético principal ($B_0$). Durante a longa aquisição de leitura do EPI, essas frequências fora de ressonância acumulam fase, resultando em distorções geométricas ao longo da direção de codificação de fase (PE).
Essas distorções causam compressão ou expansão local, levando a acúmulo de sinal e modulação de intensidade. A correção é crucial para:

• Localização anatômica precisa.
• Registro robusto entre modalidades (ex: EPI para T1).
• Análises downstream válidas (ex: tractografia e fMRI em nível de grupo).

O método padrão-ouro atual, FSL TOPUP, utiliza otimização não linear iterativa sobre um campo parametrizado por B-splines. Embora eficaz, ele é computacionalmente caro (minutos a horas) e requer ajuste manual de parâmetros de regularização.

2. Metodologia

O SuCor propõe uma formulação alternativa baseada em Transporte Ótimo (OT) unidimensional, explorando a simetria entre dois volumes EPI adquiridos com polaridades de codificação de fase opostas (esquerda-direita e direita-esquerda).

• Formulação do Problema: O modelo assume que os perfis de intensidade de duas polaridades opostas representam a mesma massa de sinal subjacente, apenas rearranjada por deslocamentos iguais e opostos ($\pm u$).
• Transporte Ótimo Colunar (Seção 2.2):
  • Para cada coluna ao longo da direção PE, o problema é tratado como um transporte de massa 1D.
  • O mapa de transporte ótimo ($T^*$) sob a métrica Wasserstein-2 é calculado em forma fechada (closed-form) usando o rearranjo de quantis ($T^* = F_b^{-1} \circ F_a$), onde $F$ são as funções de distribuição acumulada.
  • O deslocamento bruto $u_0$ é calculado independentemente para cada coluna em tempo $O(N \log N)$.
• Regularização Espectral (Seção 2.3):
  • O campo bruto $u_0$ é preciso localmente, mas apresenta "estrias" (artefatos) entre as colunas devido à estimativa independente.
  • Aplica-se uma penalidade de energia de flexão (bending-energy) no domínio da frequência (Fourier). O campo regularizado $\hat{u}_\lambda$ é obtido dividindo a transformada de Fourier do campo bruto por um kernel $(1 + \lambda |k|^4)$, onde $|k|^4$ corresponde à energia de flexão de placas finas.
• Seleção Automática de Parâmetros (Seção 2.4):
  • Diferente do TOPUP, não há ajuste manual. O parâmetro de regularização $\lambda$ é escolhido automaticamente usando o Princípio da Discrepância de Morozov.
  • O nível de ruído é estimado via desvio absoluto mediano (MAD) robusto nos voxels de fundo.
  • Um critério de tolerância define a norma do resíduo alvo, e o $\lambda$ é encontrado via busca binária (bisection) para satisfazer essa condição, garantindo eficiência computacional.

3. Contribuições Principais

1. Abordagem Sem Parâmetros: Elimina a necessidade de arquivos de configuração ou ajuste manual de parâmetros de regularização, tornando o método "plug-and-play".
2. Eficiência Computacional: A solução é quase totalmente paralelizável (coluna a coluna) e utiliza transformadas de Fourier rápidas. O processamento de um volume 3D completo leva cerca de 12 segundos em uma única CPU, comparado a 55 minutos do TOPUP.
3. Fidelidade Anatômica Superior: O mapa de transporte OT captura distorções locais finas com mais precisão do que a parametrização suave por B-splines do TOPUP.
4. Regularização Auto-adaptativa: O uso do Princípio de Morozov ajusta a força da regularização baseada no ruído intrínseco dos dados de entrada.

4. Resultados Experimentais

O método foi avaliado no conjunto de dados Human Connectome Project (HCP), comparando o SuCor com o FSL TOPUP e dados não corrigidos.

• Métrica de Informação Mútua (MI) com T1: O SuCor alcançou 0.341, superando o TOPUP (0.317). Isso indica uma melhor concordância estrutural com a imagem de referência anatômica T1.
• Consistência LR-RL (NCC e RMSE): O TOPUP obteve ligeiramente melhor correlação cruzada (0.964 vs 0.933) e menor erro quadrático médio (706 vs 948). Isso reflete o prior de suavidade global do TOPUP, que força uma concordância maior entre as imagens LR e RL, às vezes às custas da fidelidade anatômica local.
• Análise por Fatia: O SuCor superou consistentemente o TOPUP em todas as fatias analisadas, com ganhos significativos nas fatias inferiores (onde as distorções por suscetibilidade são mais fortes).
• Visualização: Os campos de deslocamento do SuCor preservam transições mais nítidas nas fronteiras dos tecidos, enquanto o TOPUP tende a suavizar excessivamente essas transições.

5. Significado e Conclusão

O SuCor representa um avanço significativo na correção de distorções por suscetibilidade ao demonstrar que o Transporte Ótimo 1D pode ser uma alternativa viável e superior à otimização não linear iterativa tradicional.

• Vantagem Prática: A redução drástica no tempo de processamento (de horas para segundos) e a eliminação da necessidade de ajuste de parâmetros facilitam a adoção em grandes estudos e pipelines clínicos.
• Compromisso (Trade-off): O artigo destaca uma tensão fundamental: o SuCor prioriza a fidelidade anatômica (melhor MI com T1), enquanto o TOPUP prioriza a suavidade do campo e consistência LR-RL. A capacidade do SuCor de capturar estruturas de distorção locais finas sugere que a variabilidade colunar no campo bruto reflete distorções reais e não apenas ruído.

Em suma, o SuCor oferece uma correção rápida, automática e geometricamente mais precisa para imagens EPI, sendo particularmente vantajoso para aplicações que exigem alta fidelidade anatômica, como a tractografia e o registro multimodal.