Singular Value Decomposition-Based Coil Combination Improves the Accuracy and Noise-Robustness of Quantitative Susceptibility Maps

Resumo Técnico: Combinação de Bobinas Baseada em Decomposição de Valor Singular para Mapeamento de Suscetibilidade Quantitativa

Definição do Problema
Scanners de RM de alto campo utilizam tipicamente bobinas de arranjo de fase (phased-array - PA) para aumentar a relação sinal-ruído (SNR) e permitir o uso de imagens paralelas. No entanto, a combinação ideal de sinais requer o conhecimento do perfil de sensibilidade espacial de valor complexo (mapa B1) de cada bobina. Embora esses perfis possam ser derivados de uma bobina de referência de volume com sensibilidade homogênea, tais bobinas de referência são frequentemente indisponíveis em sistemas de alto campo, particularmente em scanners não clínicos. Consequentemente, algoritmos devem estimar a informação de sensibilidade diretamente dos dados da PA. Os métodos existentes dividem-se em duas categorias: aqueles que estimam mapas de sensibilidade complexos (ex: combinação de bobinas adaptativa) e aqueles que estimam apenas deslocamentos de fase (ex: Virtual Reference Coil [VRC], ASPIRE, Hammond). Esses algoritmos variam significamente em suas suposições e qualidade de saída. Especificamente, métodos adaptativos podem introduzir "linhas de franja abertas" (open-ended fringe lines) em imagens de fase ao referenciar bobinas de baixa SNR, enquanto algoritmos de correspondência de fase podem sofrer com erros em regiões distantes do ponto de referência. Esses artefatos degradam a qualidade dos Mapas de Suscetibilidade Quantitativa (QSM) subsequentes, que são altamente sensíveis à precisão da magnitude e da fase de entrada.

Metodologia
Os autores avaliaram um algoritmo baseado em Decomposição de Valor Singular (SVD), denominado SVD-B1, que estima as sensibilidades das bobinas diretamente dos dados da matriz sem uma bobina de referência física.

• Base Teórica: O método assume que as sensibilidades das bobinas são constantes sobre pequenas regiões locais de imagem ($k_x \times k_y$). O modelo de sinal para uma região é formulado como uma combinação linear do sinal da imagem e das sensibilidades das bobinas. Ao construir uma matriz de dados a partir dos sinais complexos de todas as bobinas e realizar a SVD, o algoritmo deriva a solução de mínimos quadrados para o vetor de sensibilidade da bobina. Para resolver a ambiguidade de escala inerente à SVD, a fase das sensibilidades estimadas é referenciada a uma fase de consenso localmente derivada (a fase média do primeiro vetor singular à esquerda).
• Extensões: Uma extensão de imagem paralela, SVD-B1 GRAPPA, foi desenvolvida para lidar com dados de k-espaço subamostrados. Nesta configuração, os mapas de sensibilidade são estimados a partir dos dados do escaneamento de autocalibração (ACS), em vez das imagens reconstruídas, para evitar que artefatos de aliasing violem as suposições da SVD.
• Desenho Experimental:
  • Dados: A imagem foi realizada em um scanner de 7T com uma bobina de cabeça de 32 canais utilizando um cérebro humano pós-morte e um voluntário saudável in-vivo.
  • Comparações: O SVD-B1 foi comparado contra a combinação adaptativa nativa do scanner, além dos algoritmos VRC, ASPIRE e Hammond.
  • Perturbações: O estudo introduziu níveis progressivos de ruído Gaussiano simulado (fatores de escala $S=5$ a $80$) e testou vários fatores de aceleração de imagem paralela ($R=2, 3, 4, 2\times2$).
  • Avaliação: QSMs foram gerados usando um pipeline SEPIA padronizado. A precisão e a robustez foram avaliadas por meio de Coeficientes de Correlação Intraclasse (ICC) contra uma "referência de bobina única" (a bobina com a maior SNR em uma região de interesse específica) e pela medição da consistência através dos níveis de ruído/aceleração. As regiões de interesse incluíram a substância negra, núcleo vermelho, globo pálido e trato corticoespinhal.

Principais Resultados

• Redução de Artefatos: O SVD-B1 produziu imagens de fase isentas de "linhas de frinja abertas" e "artefatos de buraco de minhoca" (wormhole artifacts - perda de sinal em imagens de magnitude) comumente observados na combinação adaptativa gerada pelo scanner e em outros algoritmos off-scanner.
• Robustez ao Ruído:
  • Dados Pós-morte: Nos níveis máximos de ruído ($S=40$), os QSMs do SVD-B1 foram até 13% mais consistentes (maior ICC-PA) e até 36% mais precisos (maior ICC-RA) em relação à referência de bobina única comparado a outros algoritmos.
  • Dados In-Vivo: Em altos níveis de ruído ($S=80$), os QSMs do SVD-B1 foram até 3% mais consistentes e até 8,5% mais precisos do que os de outros métodos.
  • Qualidade Visual: As imagens de magnitude e QSM do SVD-B1 permaneceram visivelmente menos ruidosas próximas às bordas dos tecidos em comparação ao ASPIRE, VRC e Hammond, que exibiram artefatos de granulação (speckling) que propagaram erros para o QSM.
• Robustez à Aceleração: Em aquisições aceleradas (GRAPPA), o SVD-B1 GRAPPA manteve um desempenho superior. Para dados pós-morte em $R=2\times2$, o SVD-B1 GRAPPA alcançou até 31% mais consistência entre os níveis de aceleração comparado a outros métodos. Também produziu os QSMs mais precisos em altos fatores de aceleração ($R=4$).
• Significância Estatística: A ANOVA de medidas repetidas confirmou que os QSMs do SVD-B1 diferiram significativamente ($p < 0,05$) dos outros algoritmos na maioria das regiões de interesse sob condições de alto ruído e aceleração, particularmente no globo pálido e nos tratos corticoespinhais.

Significância e Alegações
O artigo afirma que o SVD-B1 e sua extensão GRAPPA oferecem uma alternativa robusta aos métodos convencionais de combinação de bobinas, particularmente em cenários onde bobinas de referência não estão disponíveis ou quando os dados são ruidosos e acelerados. Ao evitar as ambiguidades de escala da combinação adaptativa e as suposições de referência global dos algoritmos de correspondência de fase, o SVD-B1 gera imagens de fase com menos voltas (wraps) e redução de efeitos de campo de fundo.

Os autores sustentam que essas melhorias se traduzem em QSMs que são mais sensíveis a mudanças sutis em estruturas teciduais finas, o que é crítico para o estudo de doenças neurodegenerativas. Além disso, a robustez demonstrada à aceleração sugere que o SVD-B1 pode ajudar a reduzir o tempo de exame em ambientes clínicos sem sacrificar a precisão quantitativa necessária para imagens de alta resolução. O estudo conclui que o SVD-B1 é um algoritmo preferencial para imagem de alta resolução em tempos de varredura clinicamente aceitáveis, embora note que a métrica de "referência de bobina única" possui limitações inerentes quanto ao viés de SNR.