Eddeep: a deep-learning framework for fast eddy-current distortion correction in diffusion MRI

Resumo Técnico: Eddeep – Um Framework de Aprendizado Profundo para Correção Rápida de Distorção por Correntes de Foucault em dMRI

Definição do Problema
A imagem de difusão por ressonância magnética (dMRI) depende da imagem eco-planar (EPI), que é altamente suscetível a distorções geométricas. Enquanto as distorções induzidas por suscetibilidade são estáticas ao longo de uma aquisição, as distorções induzidas por correntes de Foucault (eddy currents) variam entre os volumes dependendo da força e direção dos gradientes sensibilizadores de difusão. Essa variação causa desalinhamento entre os volumes, enviesando análises microestruturais subsequentes.

Os métodos de correção de estado da arte atuais, como o FSL Eddy, utilizam esquemas iterativos de predição-correção. Esses métodos estimam uma versão livre de distorção para cada volume e alinham iterativamente os volumes a essas predições. Embora eficazes, essa abordagem é computacionalmente dispendiosa, exigindo novas otimizações iterativas para cada par de volumes, o que dificulta a implementação de pipelines de pré-processamento rápidos para estudos de larga escala e aplicações clínicas. Além disso, o registro direto entre volumes ponderados por difusão (DW) e a referência $b=0$ é desafiador devido às severas diferenças de contraste (ex: atenuação de sinal, desaparecimento de fronteiras de CSF) que interrompem métricas de similaridade padrão.

Metodologia: O Framework Eddeep
Os autores propõem o Eddeep, um framework de aprendizado profundo de dois estágios que desacopla a padronização de contraste da correção geométrica para permitir inferência rápida de passagem única. O framework consiste em dois modelos treinados sequencialmente:

1. Modelo de Tradução de Imagem (Supervisionado):

   • Objetivo: Mapear qualquer volume DW ou $b=0$ de entrada para uma aparência padronizada, removendo diferenças de contraste (como a atenuação dependente da direção do gradiente e fronteiras de CSF) que dificultam o registro confiável, enquanto preserva a fidelidade geométrica.
   • Arquitetura: Uma U-Net 3D treinada de maneira supervisionada em dados previamente corrigidos (gerados pelo FSL Eddy).
   • Objetivo de Treinamento: O modelo minimiza o Erro Absoluto Médio (MAE) entre a imagem traduzida de entrada e uma imagem alvo. O alvo é construído pela média de todos os volumes de difusão em um valor $b$ moderado (700–3000 s/mm²) através de diferentes direções de gradiente, com correção de campo de viés (bias-field) e previamente corrigido.
   • Aumento (Augmentation): O treinamento utiliza aumentos de contraste (sintetizando novos valores $b$ via interpolação/extrapolação monoexponencial, adicionando campos de viés e ruído Rician) e aumentos espaciais (deformações afins globais aleatórias e difemórficas) para melhorar a generalização.

2. Modelo de Registro de Imagem (Não Supervisionado):

   • Objetivo: Estimar conjuntamente a distorção por correntes de Foucault e os parâmetros de movimento da cabeça entre volumes, alinhando um volume DW traduzido a uma referência $b=0$ traduzida e livre de distorção.
   • Arquitetura: Um codificador de geometria baseado em CNN seguido por um Perceptron Multicamadas (MLP) que regride diretamente os parâmetros de transformação.
   • Restrições de Física: O modelo adere a um modelo de distorção quadrática uni-direcional. A transformação $T$ é composta como $T = E \circ R$, onde $R$ é um movimento de corpo rígido (6 graus de liberdade) e $E$ é uma distorção quadrática restrita à direção de codificação de fase (PED) (10 graus de liberdade).
   • Modulação de Intensidade: Para considerar o acúmulo de sinal (pile-up) e o estiramento causados pela deformação geométrica, o framework aplica modulação de intensidade de Jacobiano durante a inferência: $I(x) = |\det J_T(x)| \cdot I' \circ T(x)$.
   • Treinamento: O modelo de registro é treinado de forma não supervisionada, maximizando a similaridade (MSE) entre o volume DW traduzido e a referência $b=0$ traduzida. Os pesos do tradutor são congelados durante esta etapa.

Principais Contribuições

• Arquitetura Inovadora: O Eddeep é o primeiro approach de aprendizado profundo proposto especificamente para a correção de distorção por correntes de Foucault, abordando o desafio único de registrar volumes com perfis de contraste drasticamente diferentes.
• Desacoplamento de Dois Estágios: Ao separar a padronização de contraste (tradução) do alinhamento geométrico (registro), o método supera as limitações do registro direto entre imagens de alto-$b$ e $b=0$.
• Aprendizado Informado pela Física: O modelo de registro incorpora um modelo de distorção quadrática restrito e modulação de intensidade de Jacobiano, garantindo correções fisicamente plausíveis sem necessidade de otimização iterativa.
• Eficiência: O framework realiza a correção em uma única passagem direta (forward pass), eliminando a necessidade dos loops de predição-correção iterativos característicos dos métodos tradicionais.

Resultados
O método foi treinado com dados do UK Biobank e avaliado em conjuntos de dados in-domain (UK Biobank) e out-of-domain (Memodyn).

• Qualidade da Correção: Em uma gama de métricas complementares, o Eddeep alcançou uma qualidade de correção comparável ao FSL Eddy:
  • Alinhamento Geométrico: Redução significativa no jitter entre volumes (tanto na borda do cérebro quanto em todo o cérebro após a tradução).
  • Consistência Microestrutural: Redução de halos de anisotropia fracionada (FA) de Imagem de Kurtose de Difusão (DKI) na borda do cérebro e menores resíduos do modelo DKI em comparação com dados não corrigidos, com desempenho geralmente igualando ou superando levemente o FSL Eddy em dados in-domain.
  • Regularidade de Sinal: Redução da irregularidade de sinal no espaço-q e aumento da informação mútua pareada entre volumes.
• Qualidade da Tradução: O tradutor padronizou com sucesso a aparência da imagem, removendo fronteiras de CSF e padrões de atenção dependentes da direção, enquanto preservou a anatomia. A variante com aumento moderado (trans+) mostrou o melhor equilíbrio entre nitidez e robustez.
• Tempo de Processamento: O Eddeep demonstrou uma vantagem substancial de velocidade. Em um Apple M3 MacBook Pro, o Eddeep corrigiu uma aquisição completa em aproximadamente 2 minutos, comparado a mais de 1 hora para o FSL Eddy (uma redução de >30 vezes no tempo de inferência).

Significância e Alegações
O artigo afirma que o Eddeep demonstra que o aprendizado profundo pode fornecer uma correção de distorção por correntes de Foucault precisa e eficiente sem depender de otimização iterativa. Ao reduzir o tempo de inferência de horas para minutos, o framework suporta o desenvolvimento de pipelines de processamento de dMRI mais rápidos, adequados para estudos de larga escala e implantação clínica. Os autores posicionam o Eddeep como uma ferramenta complementar aos métodos de aprendizado profundo existentes para correção de distorção por suscetibilidade e estimativa de parâmetros microestruturais, contribuindo para o objetivo de MRI quantitativa em tempo real (inline).

Limitações e Trabalho Futuro
Os autores reconhecem que a avaliação depende de métricas indiretas devido à falta de distorções de Foucault de "verdade fundamental" (ground-truth) em dados reais. Além disso, o modelo de tradução requer dados previamente corrigidos para treinamento, criando uma dependência de ferramentas existentes. Atualmente, o Eddeep não suporta correção de movimento dentro do volume ou substituição de outliers (queda de fatia/slice dropout), recursos presentes em versões avançadas do FSL Eddy. Trabalhos futuros podem explorar campos de deformação de baixa frequência como alternativas aos modelos polinomiais e a síntese de imagens DW a partir de exames anatômicos para gerar referências sem distorção sem necessidade de correção externa.