Mejorando las técnicas de MRI para los vasos sanguíneos del cerebro

La angiografía por resonancia magnética (MRA) es una técnica de imagen que ayuda a los médicos a ver los vasos sanguíneos en el cerebro. Esto es importante para diagnosticar problemas y evaluar riesgos, como un derrame. Sin embargo, la MRA no se hace comúnmente porque requiere procedimientos especiales y tarda más que otros tipos de escaneos de MRI, como T1 y T2. Así que encontrar una forma de crear imágenes de los vasos sanguíneos usando los escaneos T1 y T2 más usados sería muy útil.

#La necesidad de Segmentación de vasos

El cerebro tiene una red de vasos sanguíneos que incluye un anillo de arterias conocido como el círculo de Willis (CoW). Diferentes personas tienen formas o variaciones diferentes de este círculo, y algunas formas pueden llevar a resultados de salud más serios después de un derrame. Poder ver los principales vasos sanguíneos en grupos más grandes de imágenes e identificarlos por su forma puede dar información importante para entender los riesgos de derrame en la población en general.

La MRA es conocida por producir imágenes de alta calidad de estos vasos, pero su uso es limitado en estudios poblacionales debido a los costos y el tiempo involucrados. Los escaneos MRI T1 y T2 son más accesibles y pueden revelar información oculta sobre los vasos sanguíneos, incluso si no los muestran directamente.

#Avances en la síntesis de imágenes

Las redes neuronales generativas adversariales (GANs) han ganado atención por su capacidad para crear imágenes. Por ejemplo, redes como pix2pix han mostrado resultados impresionantes al convertir un tipo de imagen en otro. En la imagen médica, se han usado GANs para crear imágenes T1 y T2 del cerebro, entre otras cosas. Se han desarrollado varios modelos para generar imágenes de MRA a partir de entradas T1 y T2, pero a menudo requieren un método separado para segmentar las imágenes en datos utilizables.

Los métodos previos basados en GAN han trabajado con MRA pero enfrentaron desafíos, como crear características falsas o requerir modelos complejos que tardan mucho en entrenarse. Esta complejidad puede obstaculizar su uso en entornos prácticos.

#Nuestro enfoque

Proponemos un nuevo método que se enfoca en generar segmentaciones de vasos sanguíneos cerebrales directamente a partir de imágenes de MRI T2. Nuestro método utiliza un modelo de convolución profunda con dos tareas principales: una para entender la imagen general y otra para acercarse a áreas específicas de interés, como los vasos sanguíneos. Al usar mapas de atención local aprendidos, nuestro modelo puede enfocarse en partes importantes de la imagen T2, lo que reduce el número de parámetros y simplifica el proceso de entrenamiento.

El modelo solo necesita imágenes T2 como entrada, eliminando la necesidad de múltiples tipos de escaneos. Esta característica hace que el método sea más fácil y rápido de usar en entornos clínicos.

#Cómo funciona el modelo

Creamos un modelo que tiene dos etapas principales de aprendizaje. En la primera etapa, el modelo aprende de pares de imágenes T2 y las segmentaciones MRA reales. El modelo reconoce patrones más amplios en las imágenes mientras también aprende a enfocarse en detalles más pequeños, gracias a los mapas de atención local.

Durante el entrenamiento, el modelo se establece inicialmente para solo aprender a recrear las imágenes T2, permitiéndole entender bien los datos antes de pasar a sintetizar segmentaciones de vasos sanguíneos. Después de este entrenamiento inicial, el modelo se ajusta para combinar este entendimiento con los mapas de atención local que le indican dónde enfocarse en las imágenes.

#Datos y preparación

El entrenamiento se llevó a cabo usando un conjunto de datos que contenía pares de imágenes de MRI T2 y MRA de numerosos pacientes. Estas imágenes fueron cuidadosamente pre-procesadas para asegurar consistencia antes de ser usadas en el entrenamiento. Las segmentaciones originales de MRA se ajustaron y multiplicaron con las secciones T2 para crear los mapas de atención local.

#Estructura del modelo

Nuestro modelo fue diseñado para consistir en un codificador y dos ramas para salida. El codificador procesa las imágenes T2 para capturar tanto estructuras generales como detalles más finos. La primera rama de salida reconstruye la imagen de entrada, mientras que la segunda genera las segmentaciones de vasos sanguíneos deseadas.

Para crear los mapas de atención local, agrandamos los segmentos de los vasos en las imágenes. Esto permitió que el modelo se enfocara en las áreas relevantes de manera más efectiva durante el proceso de entrenamiento.

#Entrenamiento del modelo

El modelo pasó por dos fases de entrenamiento para asegurar que aprendiera tanto características amplias como específicas de las imágenes. La primera fase involucró un preentrenamiento en imágenes T2 para ayudarle a entender mejor los datos. Tras este paso, ambas ramas del modelo se entrenaron juntas con un enfoque en la pérdida local, que captura la salida de los mapas de atención local.

Nuestro enfoque incluyó probar diferentes métodos de aprendizaje multitarea para encontrar el que funcionara mejor. El método más efectivo utilizó aprendizaje basado en incertidumbre, donde ajustamos la importancia de diferentes tareas según su fiabilidad.

#Resultados y comparaciones

Implementamos este modelo usando marcos de programación populares. De los datos, la mayoría de los casos se usaron para entrenamiento mientras que un grupo más pequeño se reservó para pruebas. Se compararon varios modelos usando métricas estándar de evaluación, como el índice Dice.

Nuestro método mostró un rendimiento superior en comparación con métodos tradicionales basados en GAN e incluso algunos modelos de última generación. Los resultados indicaron que nuestro método sintetizó imágenes de vasos sanguíneos con mejor detalle y precisión mientras usaba menos parámetros.

Al evaluar con diferentes tipos de entrada, encontramos que usar solo imágenes T2 dio mejores resultados que usar imágenes T1, confirmando la efectividad del modelo con entradas limitadas.

#Análisis cualitativo

Realizamos comparaciones visuales de nuestro método contra modelos existentes para evaluar diferencias cualitativas. Si bien algunos modelos capturaron la estructura general de los vasos, también presentaron un ruido significativo en sus salidas. Nuestro modelo, sin embargo, produjo imágenes más claras y detalladas. En algunos casos donde la verdad de terreno tenía errores, nuestro modelo reconstruyó con éxito los vasos, mostrando su capacidad para manejar imperfecciones en los datos.

#Conclusión y trabajo futuro

En resumen, hemos desarrollado un método que combina mapas de atención local con un marco de aprendizaje profundo para sintetizar con precisión segmentaciones de vasos sanguíneos a partir de escaneos de MRI ponderados en T2. Nuestros resultados indican que este enfoque no solo supera a los modelos existentes, sino que también ofrece ventajas prácticas como menor complejidad y conteo de parámetros.

De cara al futuro, nuestro objetivo es expandir este modelo a una estructura completamente 3D para mejorar su capacidad de conectar diferentes partes del CoW de manera más efectiva. Este desarrollo podría mejorar aún más nuestra comprensión de las estructuras vasculares cerebrales y su relevancia con los riesgos de derrame.