PSIRNet: Deep Learning-based Free-breathing Rapid Acquisition Late Enhancement Imaging

Título: PSIRNet: Imagem de Realce Tardio com Gadolínio (LGE) em Respiração Livre baseada em Aprendizado Profundo para Aquisição Rápida

1. O Problema

A Imagem de Realce Tardio com Gadolínio (LGE) é o padrão-ouro clínico na ressonância magnética cardíaca (RMC) para avaliar viabilidade miocárdica, infarto e cicatrizes. O método padrão utiliza a Inversão de Fase Sensível (PSIR). No entanto, a aquisição convencional é extremamente demorada:

• Tempo de Aquisição: Requer múltiplas médias de sinal (geralmente 8 a 24) com correção de movimento não rígido (MOCO) para obter uma relação sinal-ruído (SNR) adequada, especialmente em protocolos de "sangue escuro" (dark blood) e "faixa larga" (wideband).
• Ineficiência: Cada média exige a aquisição de imagens de Inversão (IR) e Densidade Protônica (PD) ao longo de dois batimentos cardíacos. Isso pode levar a 15 minutos por estudo, ocupando até um terço do tempo total de exame.
• Limitações: O tempo prolongado limita a cobertura volumétrica, a espessura da fatia e a inclusão de outras sequências. Além disso, o pipeline computacional de correção de movimento e média consome mais de 5 segundos por fatia, atrasando a disponibilidade das imagens.
• Lacuna Existente: Métodos anteriores de aprendizado profundo focaram em aquisições segmentadas com apneia (prender a respiração) e em coortes pequenas de centros únicos, falhando em generalizar para a prática clínica de rotina de respiração livre e múltiplas variantes de protocolo.

2. Metodologia

Os autores propuseram o PSIRNet, um método de reconstrução de aprendizado profundo guiado por física, projetado para gerar imagens PSIR de alta qualidade a partir de uma única aquisição (dois batimentos cardíacos), eliminando a necessidade de médias múltiplas.

• Arquitetura do Modelo:

  • É uma rede end-to-end com 845 milhões de parâmetros.
  • Utiliza um esquema de iterações de Landweber desdobradas (unrolled), onde a rede executa 12 iterações em cascata.
  • Entrada: Dados k-space subamostrados de IR e PD de uma única aquisição (intercalada), juntamente com mapas de sensibilidade da bobina.
  • Componentes:
    1. Refinamento de mapas de sensibilidade (SMR) via U-Net.
    2. Iterações de Landweber que alternam entre consistência de dados (aprendendo o passo de atualização) e refinamento conjunto IR-PD via U-Net.
    3. Bloco final de correção de PSIR com correção de bobina de superfície (SCC) para preservar o sinal de magnetização.
  • Treinamento: Otimizado para maximizar o Índice de Similaridade Estrutural (SSIM) em relação à imagem de referência MOCO PSIR, sem necessidade de registro explícito IR-PD.

• Conjunto de Dados:

  • Escala: Utilizou dados brutos de 800.653 fatias de 55.917 pacientes.
  • Diversidade: Dados de 2016 a 2024, de múltiplas instituições, campos magnéticos (1.5T e 3T), modelos de scanners e versões de software.
  • Divisão: Os dados foram divididos por paciente para evitar vazamento: 42.822 pacientes para treino, 4.952 para validação e 8.143 para teste externo (instituições diferentes).
  • Variantes: O modelo foi treinado e testado em três variantes de LGE: Sangue Brilhante (Bright Blood), Sangue Escuro (Dark Blood) e Faixa Larga (Wideband).

• Avaliação:

  • Quantitativa: Métricas SSIM, PSNR e NRMSE comparadas ao padrão MOCO.
  • Qualitativa: Dois cardiologistas especialistas avaliaram 279 estudos consecutivos usando uma escala Likert de 5 pontos.
  • Estatística: Testes de Wilcoxon para superioridade e TOST para equivalência (margem de 0,25 pontos).

3. Principais Contribuições

• Aceleração Extrema: Redução do tempo de aquisição em 8 a 24 vezes (de múltiplas médias para uma única aquisição de 2 batimentos).
• Generalização Robusta: Validação em uma coorte massiva e multi-institucional, cobrindo diferentes protocolos (sangue brilhante, escuro, wideband) e equipamentos, superando a limitação de estudos anteriores de centro único.
• Reconstrução em Tempo Real: O tempo de inferência é de aproximadamente 100 ms por fatia (em GPU), comparado a >5 segundos no pipeline convencional baseado em CPU, permitindo verificação de qualidade em tempo real.
• Abordagem Guiada por Física: Integração de iterações de Landweber e consistência de dados dentro da rede, garantindo que a solução respeite a física da aquisição de MRI.

4. Resultados

• Qualidade de Imagem:
  • O PSIRNet alcançou métricas quantitativas excepcionais (SSIM médio de 92,26% e PSNR de 33,98 dB) em relação ao padrão MOCO.
  • Sangue Escuro (Dark Blood): Os especialistas classificaram a qualidade do PSIRNet como superior ao padrão MOCO (p = 0,002), superando o ruído severo típico de aquisições de 2 batimentos.
  • Sangue Brilhante e Wideband: O PSIRNet foi estatisticamente equivalente ao padrão MOCO (com margem de 0,25 pontos), mantendo a qualidade diagnóstica mesmo com acelerações de 12x a 24x.
• Desempenho Computacional:
  • A inferência requer ~10 GB de memória de vídeo (VRAM) e leva 100 ms/fatia, permitindo reconstrução quase instantânea.
• Validação Clínica:
  • As imagens preservaram a conspicuidade de infartos e a definição de bordas miocárdicas, sendo consideradas "boas" a "excelentes" para avaliação diagnóstica.

5. Significado e Impacto

O PSIRNet representa um avanço significativo na prática clínica de RMC cardíaca:

• Eficiência do Fluxo de Trabalho: Reduz drasticamente o tempo de exame, permitindo maior cobertura volumétrica (coração inteiro), fatias mais finas (maior resolução) ou a inclusão de sequências adicionais.
• Acesso e Conforto: Elimina a necessidade de prender a respiração repetidamente e reduz o tempo do paciente dentro do scanner, beneficiando pacientes com dificuldade de cooperação.
• Viabilidade Clínica: Ao demonstrar que uma única aquisição pode substituir 8-24 médias com qualidade equivalente ou superior, o método torna-se viável para implementação em rotina hospitalar.
• Disponibilidade: O código-fonte e os pesos do modelo treinado estão publicamente disponíveis, facilitando a adoção e o desenvolvimento futuro pela comunidade.

Limitações Notadas: O estudo foi retrospectivo (necessita validação prospectiva), os dados foram de scanners Siemens (generalização para outros fabricantes ainda não testada) e a avaliação focou na qualidade da imagem, não em tarefas clínicas downstream (como quantificação automática de cicatrizes).

Em resumo, o PSIRNet resolve o gargalo de tempo e ruído na imagem de realce tardio, oferecendo uma solução escalável, rápida e de alta qualidade baseada em aprendizado profundo.