Jak wygenerować obraz (pseudo)referencyjny do dyfuzyjnego MRI bez utraty istotnych danych

Obrazowanie dyfuzji metodą rezonansu magnetycznego to jedna z technik diagnostycznych opartych o zjawisko magnetycznego rezonansu jądrowego, która szczególne zastosowanie znajduje w badaniach mózgu. Bazuje na procesie dyfuzji cząsteczek wody, która może zachodzić w sposób izotropowy bądź anizotropowy, tam gdzie ruch molekuł jest ograniczony przez naturalne bariery. Przykładowo cząsteczki dyfundują z większą swobodą wzdłuż niż w poprzek osi włókien nerwowych. Obrazowanie dyfuzji dla każdego woksela, czyli najmniejszej jednostki w obrazowaniu przestrzennym, pozwala opisać ten proces miarami ilościowymi. Dlatego w przeciwieństwie do klasycznego badania metodą rezonansu magnetycznego, uzyskane tą drogą obrazy mają wtórny charakter wobec ustalonych w trakcie badania parametrów liczbowych.

Obrazowanie dyfuzji może stanowić dobre narzędzie do wykrywania nowotworów i chorób neurodegeneracyjnych czy śledzenia naturalnych zmian zachodzących w mózgu w okresie procesu starzenia. Niestety długi czas trwania badania ogranicza zastosowanie tej techniki w praktyce klinicznej. Sygnały uzyskiwane przez skaner mogą bowiem ulegać zaszumieniu m.in. wskutek zmian temperatury ciała pacjenta, pulsacji serca czy zakłóceń powstałych w wyniku szumu termicznego. W związku z tym, aby uzyskać obrazy pozbawione zniekształceń, akwizycję należy wielokrotnie powtarzać.

Obrazy referencyjne czy pseudoreferencyjne?

Współcześnie prowadzone prace naukowe, które stawiają sobie za cel uzyskanie wysokiej jakości obrazów przy mniejszej liczbie niezbędnych repetycji, skupiają się m.in. na wykorzystaniu do odszumiania danych metod sztucznej inteligencji. Konwolucyjne sieci neuronowe potrafią nauczyć się usuwać zniekształcenia, porównując zaszumione obrazy z obrazem referencyjnym, a raczej pseudoreferencyjnym. Surowy sygnał rejestrowany przez skaner nie jest bowiem sam w sobie użyteczny dla osoby oceniającej wynik badania bez odpowiedniego przekształcenia z wykorzystaniem narzędzi matematycznych oraz algorytmów komputerowych. Używa się w tym celu modeli reprezentujących wielowymiarową strukturę tkanki nerwowej.

– Dobór właściwego modelu matematycznego jest kluczowy i umożliwia odpowiednie przedstawienie ilościowe procesu dyfuzji w obrębie mózgu. Standardowe modele można z powodzeniem stosować w praktyce klinicznej, jednak mogą one pominąć istotne informacje diagnostyczne. Wykorzystanie zaawansowanych modeli z kolei oznacza wydłużony czas pobytu pacjenta w skanerze, a w szczególnych przypadkach dodatkowo dobranie dedykowanego protokołu akwizycji danych – wyjaśnia dr inż. Tomasz Pięciak z Wydziału Elektroniki, Automatyki, Informatyki i Inżynierii Biomedycznej AGH oraz Escuela Técnica Superior de Ingenieros de Telecomunicación na Uniwersytecie w Valladolid (Hiszpania), który specjalizuje się w metodach matematycznych i algorytmach komputerowych używanych do reprezentowania oraz przetwarzania danych uzyskanych w wyniku obrazowania dyfuzji metodą rezonansu magnetycznego.

Tensor dyfuzji kontra harmoniki sferyczne

Zdolność sztucznej inteligencji do skutecznego odszumiania obrazów na niewiele zda się w praktyce klinicznej, jeśli zostanie wytrenowana na nieodpowiednim zestawie danych. W takiej sytuacji bowiem uzyskane obrazy, mimo dobrej jakości wizualnej, mogą być pozbawione istotnej informacji diagnostycznej. Krokiem do przodu w stosunku do dostępnych metod są badania inż. Julii Machnio, które opisała w pracy dyplomowej przygotowanej na Wydziale Elektroniki, Automatyki, Informatyki i Inżynierii Biomedycznej AGH pod opieką dr. inż. Tomasza Pięciaka. – W pracy udało się pogodzić ogień z wodą, a więc umożliwić zastosowanie złożonych modeli dla czasów akwizycji zbliżonych do tych powszechnie stosowanych w praktyce klinicznej i przy zachowaniu kompatybilności stosowanych procedur – komentuje promotor.

Punktem wyjścia do rozważań inż. Julii Machnio była zaproponowana wcześniej w literaturze metoda DeepDTI. Autorzy wspomnianej pracy wygenerowali dane pseudoreferencyjne, posługując się modelowaniem tensora dyfuzji (ang. DTI, Diffusion Tensor Imaging). Wytrenowana przez nich sieć neuronowa nauczyła się w krótkim czasie usuwać „szumy”, co pozwoliło im uzyskać obrazy o wysokiej jakości wizualnej. – Problem polega na tym, że modelowanie tensorowe jest ograniczone tylko do dyfuzji ograniczonej i swobodnej. W dużym uproszczeniu można powiedzieć, że jeśli nowotwór nie pasowałby do modelu, nie zostałby poprawnie wykryty. To był największy mankament badań autorów, nad którym chcieliśmy się skupić – wyjaśnia inż. Julia Machnio.

Zaproponowana w jej pracy metoda DeepSH do generowania danych pseudoreferencyjnych wykorzystuje alternatywną metodę harmoników sferycznych. – Użyliśmy tych samych danych, ale zamodelowaliśmy je przy użyciu innej funkcji, która uwzględnia również sygnał dyfuzji o bardziej złożonej architekturze – opisuje autorka pracy obronionej na AGH.

Metoda wiarygodniejsza od konkurencji

Przeprowadzone przez inż. Julię Machnio badania dowiodły wysokiej skuteczności metody w odszumianiu obrazów przy jednoczesnym zachowaniu w przetworzonych sygnałach danych, które mogą nieść ze sobą istotną informację diagnostyczną. – Różnice między obrazem uzyskanym dla harmonik sferycznych i rzeczywistym wynosiły niecałe 10 proc. Natomiast dla tensora, w pewnych przypadkach, różnice sięgały nawet 20–30 proc. Kiedy taka ilość sygnału odbiega od obrazu, który nie został poddany żadnemu przetworzeniu, powinniśmy być świadomi, że usunięciu podlega nie tylko szum, ale również ważny z medycznego punktu widzenia sygnał – mówi studentka AGH.