Frequency-Hierarchical Active k-Space Sampling for Diagnostic MRI

Resumo Técnico: Amostragem de k-Space Ativa Frequencial-Hierárquica para RM Diagnóstica

Definição do Problema
Acelerar a aquisição de RM sem comprometer a precisão diagnóstica continua sendo um gargalo crítico na imagem clínica. Embora as abordagens padrão utilizem subamostragem seguida de reconstrução (via compressão de sensores ou priors aprendidos), esses pipelines tipicamente otimizam métricas de qualidade de imagem (ex: PSNR, SSIM) em vez de tarefas clínicas subsequentes (downstream). Além disso, os métodos de amostragem ativa existentes que tratam a aquisição como um processo de tomada de decisão sequencial enfrentam duas limitações primárias:

1. Rigidez Geométrica: A maioria dos métodos utiliza espaços de ação uniformes, como a seleção de linhas Cartesianas inteiras. Isso ignora a diferença qualitativa entre componentes de baixa frequência (que carregam o contexto anatômico) e componentes de alta frequência (que carregam detalhes patológicos finos), forçando um compromisso ruim em fatores de aceleração elevados.
2. Escalabilidade Arquitetural: Políticas que exigem dezenas de decisões sequenciais dependem frequentemente de arquiteturas (como CNNs ou Transformers padrão) cujo custo computacional cresce de forma desproporcional com o comprimento do rollout.

Metodologia: HieraSample
Os autores propõem o HieraSample, um framework orientado por tarefas projetado para distribuir um orçamento de amostragem rigoroso através de frequências espaciais baseando-se em sua utilidade diagnóstica. O framework é ancorado por três escolhas de design específicas:

1. Currículo com Anel de Cosseno com Fundação de Baixa Frequência:

   • O fator de aceleração $R(t)$ é programado dinamicamente de $20\times$ para $4\times$ ao longo de 80 passos de aquisição usando um cronograma de cosine annealing.
   • Crucialmente, a máscara inicial $m_0$ é fixada no menor disco ao redor do componente DC (baixas frequências). Isso garante um núcleo de baixa frequência totalmente amostrado contendo o contexto anatômico desde o primeiro passo ($t=0$).
   • A política opera exclusivamente no complemento de alta frequência, selecionando coordenadas individuais em vez de linhas.

2. Arquitetura Baseada em Mamba:

   • O sistema emprega Mamba (um modelo de espaço de estados de tempo linear) para garantir eficiência computacional durante o rollout de 80 passos.
   • Classificadores Duplos: Um classificador de doença ($G_d$) e um classificador de severidade ($G_s$) extraem características da reconstrução atual com preenchimento zero (zero-filled). Esses classificadores utilizam um backbone ResNet-50 refinado por três blocos Mamba seletivos.
   • Rede de Política: A política $\pi_\theta$ funde características de ambos os classificadores e da máscara atual. Ela utiliza uma estrutura de ramo paralelo: um ramo CNN para estrutura local e um ramo Mamba (usando embeddings de patches retangulares para corresponder à anisotropia do k-space) para contexto global. A saída é um mapa de logit de amostragem por pixel.

3. Sinal de Recompensa Orientado por Tarefa:

   • A recompensa é definida como a redução por amostra na entropia cruzada ponderada por classe após cada ação, em vez da minimização de perda bruta.
   • $r_t = CE_{t-1} - CE_t$. Uma recompensa positiva corresponde diretamente a uma previsão correta mais confiante.
   • A recompensa combina tarefas de doença e severidade com um peso de cosseno variável no tempo, enfatizando a detecção de doenças no início do rollout e a gradação de severidade posteriormente.
   • Consistência de Normalização: Os autores observam que usar um esquema de normalização por amostra único tanto para o treinamento do classificador quanto da política é crítico; a normalização incompatível fez com que o sinal de recompensa degenerasse em ruído em experimentos iniciais.

Principais Contribuições

• Espaço de Ação Hierárquico: Afastar-se de linhas Cartesianas para a seleção de pontos individuais permite que a política foque em coordenadas de alta frequência onde a informatividade diagnóstica é mais alta, preservando a fundação anatômica de baixa frequência.
• Tomada de Decisão Sequencial de Tempo Linear: A integração de blocos Mamba permite rollouts eficientes de 80 passos sem a explosão computacional associada a Transformers ou CNNs padrão.
• Aprendizado de Currículo: O cronograma de cosine annealing garante uma transição suave de aceleração agressiva para moderada, maximizando a aquisição de informação durante os passos intermediários onde os dados diagnósticos são mais densos.

Resultados Experimentais
O framework foi avaliado no dataset fastMRI+ de joelho para tarefas de classificação de ACL (Ligamento Cruzado Anterior) e cartilagem.

• Desempenho vs. Baselines:
  • Comparado ao ASSDM (um recente baseline de amostragem sequencial retreinado sob condições equivalentes), o HieraSample mostrou ganhos significativos.
  • Severidade de ACL: Em uma aceleração de $10\times$, o HieraSample melhorou o ROC AUC em 20,4 pontos (de 0,616 para 0,820).
  • Diagnóstico de ACL: Em $20\times$ de aceleração, melhorou o ROC AUC em 5,0 pontos.
• Comparação com o Oráculo:
  • No diagnóstico de ACL, o HieraSample igualou o oráculo totalmente amostrado (0,939 AUC) em $10\times$, $8\times$ e $6\times$ de aceleração, e permaneceu dentro de 0,001 do oráculo em $4\times$.
  • Na severidade de ACL em $6\times$, igualou o oráculo (0,837) dentro de 0,001.
• Ablação (Hierárquico vs. Cartesiano):
  • Comparando o HieraSample (baseado em pontos) contra o Ours-Cartesian (baseado em linhas, mesmo classificador/recompensa) isolou o valor do espaço de ação.
  • A abordagem hierárquica proporcionou ganhos estatisticamente significativos no diagnóstico de cartilagem (onde o classificador tinha "margem" para o oráculo), superando o baseline cartesiano em até 0,015 AUC em $20\times$.
  • Para o diagnóstico de ACL, onde o classificador já estava próximo do limite do oráculo, os ganhos entre as estratégias de baseada em pontos e baseada em linhas foram negligenciáveis (dentro do intervalo de confiança).

Significância e Alegações
O artigo afirma que o HieraSample consegue preencher a lacuna entre a aquisição de RM acelerada e a precisão diagnóstica ao modelar explicitamente a hierarquia da informação do k-space. Ao manter uma fundação de baixa frequência e usar uma política baseada em Mamba e orientada por tarefas para selecionar detalhes de alta frequência, o framework alcança um desempenho diagnóstico comparável a exames totalmente amostrados em acelerações moderadas ($4\times$ a $10\times$).

Os autores observam que a avaliação está atualmente restrita a dados de bobina única, anatomia única (joelho) sob uma única semente aleatória. Eles reconhecem que, embora a ablação do espaço de ação isole o benefito da amostragem baseada em pontos, as contribuições específicas do cronograma de cosseno e da fundação de baixa frequência não foram desmembradas neste trabalho. Sugere-se como trabalho futuro incluir o ajuste fino (fine-tuning) do classificador na distribuição de máscara específica da política e explorar a generalização para múltiplas bobinas ou múltiplas anatomias.