Training deep learning based dynamic MR image reconstruction using synthetic fractals

Título: Treinamento de Reconstrução de Imagem de RM Dinâmica Baseada em Deep Learning Utilizando Fractais Sintéticos

1. Problema e Motivação

A reconstrução de Imagem de Ressonância Magnética (RM) cardíaca em tempo real é crucial para avaliar mudanças dinâmicas sem a necessidade de sincronização fisiológica (gating). No entanto, isso exige subamostragem significativa dos dados, o que gera artefatos.

• Limitações Atuais: Embora métodos baseados em Deep Learning (DL) superem técnicas tradicionais como Compressed Sensing (CS) em velocidade e qualidade, eles dependem de grandes conjuntos de dados de RM cardíaca reais para treinamento.
• Desafios: A obtenção desses dados enfrenta barreiras de privacidade (regulamentações de proteção de dados), licenciamento e disponibilidade limitada. O uso de vídeos abertos (não médicos) para treinamento gera ceticismo clínico devido à distribuição de dados muito diferente (out-of-distribution) e restrições de licença.
• Objetivo: Investigar se dados fractais sinteticamente gerados podem substituir dados reais de RM para treinar modelos de DL, oferecendo uma alternativa escalável, livre de restrições de privacidade e com complexidade estrutural adequada.

2. Metodologia

Geração de Dados Sintéticos (Fractais):

• Base Matemática: Utilizaram-se fractais de Julia em espaço de quatérnions (domínio complexo 4D) para criar dados 2D + tempo. A função iterativa $f(z) = z^2 + c$ foi aplicada.
• Seleção de Parâmetros: Para garantir estruturas complexas e não aleatórias, os parâmetros $c$ foram selecionados com base no Conjunto de Mandelbrot (pontos com contagem de iteração entre 10-30).
• Simulação de Imagem:
  • Extração de fatias 2D+tempo do volume 4D.
  • Conversão para imagens complexas (valores reais e imaginários) mapeando intensidades normalizadas em ondas senoidais com fases e frequências aleatórias.
  • Aplicação de filtros de suavização e unsharp masking para evitar bordas excessivamente nítidas.
• Simulação de Aquisição de RM:
  • Máscara elíptica para simular o corpo.
  • Geração de mapas de sensibilidade de bobina sintéticos (funções gaussianas).
  • Adição de ruído e fase de fundo.
  • Transformada de Fourier Rápida (FFT) para gerar dados no espaço-k.
• Dataset: Foram gerados 692 pares de dados (amostragem completa vs. subamostragem radial) para corresponder ao tamanho do conjunto de dados de RM cardíaca real utilizado para comparação.

Modelos de Deep Learning:

• Arquitetura: Um modelo 3D UNet para supressão de artefatos (deep artefact suppression).
• Entrada/Saída: Dados de espaço-k multibobina complexos (subamostrados radialmente) como entrada; imagem de magnitude combinada (ground truth) como saída.
• Treinamento Comparativo: Dois modelos foram treinados separadamente:
  1. F-DL: Treinado exclusivamente com dados fractais sintéticos.
  2. CMR-DL: Treinado com dados reais de RM cardíaca (692 casos).
• Dados Prospectivos: Coletados de 10 pacientes (RM cardíaca em tempo real, respiração livre, trajetória radial) para validação.

Métodos de Comparação:
Os modelos F-DL e CMR-DL foram comparados contra:

• CS: Compressed Sensing com regularização de Variação Total Temporal.
• LR-DIP: Low-Rank Deep Image Prior (técnica não supervisionada que não requer dados de treinamento).

3. Resultados Principais

Qualidade da Imagem:

• Ranking Subjetivo: Não houve diferença estatisticamente significativa entre F-DL e CMR-DL ($p=0.9$). Ambos foram superiores significativamente ao LR-DIP e ao CS ($p<0.001$).
• Métricas Quantitativas:
  • CNR (Relação Contraste-Ruído): O F-DL obteve o maior CNR, superando estatisticamente todos os outros métodos.
  • Nitidez de Borda (ES): F-DL, CMR-DL e CS tiveram desempenho similar, superando o LR-DIP.
  • Consistência Temporal: O F-DL apresentou a menor variância temporal na nitidez de borda, indicando reconstruções mais estáveis ao longo do tempo.

Medições Clínicas (Volumes e Função Cardíaca):

• Acordo com o Padrão-Ouro: As reconstruções F-DL e CMR-DL mostraram viés insignificante e limites de acordo aceitáveis em comparação com a RM cine em apneia respiratória (padrão de referência) para volumes ventriculares (EDV, ESV) e fração de ejeção (EF).
• Correlação: Ambos os modelos de DL apresentaram altos coeficientes de correlação intraclasse (ICC > 0.95).
• Desempenho Inferior do LR-DIP: O método LR-DIP apresentou viés significativo e limites de acordo muito mais amplos, especialmente para o volume sistólico final do ventrículo esquerdo (LV ESV) e fração de ejeção.

Tempo de Reconstrução:

• DL (F-DL e CMR-DL): ~400ms por fatia (total de 4-6s para todo o conjunto de imagens).
• CS: ~15s por fatia (2-3 minutos no total).
• LR-DIP: ~30 minutos por fatia (5-8 horas no total), tornando-o impraticável para uso clínico rotineiro.

4. Contribuições Chave

1. Viabilidade de Dados Sintéticos: Demonstrou-se que fractais de Julia em espaço de quatérnions podem gerar dados de treinamento estruturalmente ricos o suficiente para treinar modelos de DL que generalizam para dados reais de RM cardíaca.
2. Equivalência de Desempenho: Modelos treinados apenas com fractais (F-DL) alcançaram qualidade de imagem e precisão clínica comparáveis aos modelos treinados com dados reais (CMR-DL).
3. Solução para Barreiras de Dados: Oferece uma alternativa escalável e livre de restrições de privacidade/licença para o desenvolvimento de modelos de reconstrução de RM.
4. Superioridade sobre Métodos Não Supervisionados: O estudo validou que, para aplicações em tempo real, a abordagem supervisionada (mesmo com dados sintéticos) supera métodos de Deep Image Prior em termos de qualidade, precisão clínica e, crucialmente, velocidade de inferência.

5. Significância e Conclusão

O estudo prova que é possível desenvolver modelos de reconstrução de RM dinâmica altamente generalizáveis sem depender de grandes bancos de dados clínicos reais. Os fractais sintéticos atuam como um "campo de treinamento" eficaz, contornando problemas éticos e logísticos. Isso abre caminho para o desenvolvimento de modelos de IA mais robustos e acessíveis para diversas aplicações de RM dinâmica (como angiografia 3D+t ou imagem de fala), onde dados reais de alta qualidade são escassos. A abordagem sugere que a complexidade estrutural dos dados de treinamento é mais importante do que a sua origem anatômica específica para tarefas de supressão de artefatos em RM.