Novo Método Transforma Imagens de RM em TC

A imagem médica ajuda os médicos a verem dentro do corpo humano. Duas técnicas comuns são a ressonância magnética (MRI) e Tomografias computadorizadas (CT). A MRI é ótima para mostrar tecidos moles como músculos e gordura, enquanto as CTs são melhores para olhar ossos. Usar as duas pode dar informações importantes para procedimentos médicos, especialmente em crianças, onde um planejamento cuidadoso é crucial. Infelizmente, as CTs expõem os pacientes à radiação, o que pode aumentar o risco de câncer, principalmente em pessoas mais jovens. Portanto, criar imagens de CT precisas a partir de scans de MRI sem usar CT é uma boa.

#Desafios na Síntese de Imagens Médicas

Um desafio grande para criar imagens de CT a partir de scans de MRI é a falta de dados emparelhados. Existem muitos métodos que usam algo chamado CycleGAN, que tenta aprender como converter um tipo de imagem em outro sem precisar de imagens combinadas. Porém, esses métodos podem ter dificuldades em manter as formas e estruturas corretas, especialmente quando as imagens não estão bem alinhadas. Esse problema de alinhamento é comum em crianças devido ao crescimento rápido, tornando a tarefa ainda mais difícil.

Alguns métodos tentam resolver isso adicionando uma rede de Segmentação, que requer muito rotulagem detalhada. Essa rotulagem é demorada e nem sempre viável.

#Apresentando o MaskGAN

Para resolver esses problemas, apresentamos um novo método chamado MaskGAN. Essa abordagem é econômica e mantém as formas e estruturas essenciais intactas usando máscaras que mostram quais partes das imagens representam características anatômicas específicas. O MaskGAN consiste em duas partes principais: um gerador de máscara, que cria contornos de estruturas importantes, e um gerador de conteúdo, que preenche esses contornos com dados apropriados.

Nos nossos testes, o MaskGAN teve um desempenho melhor do que outros métodos existentes em um conjunto de dados difícil envolvendo crianças, onde os scans de MR e CT frequentemente não estavam alinhados devido aos picos de crescimento. Isso significa que o MaskGAN pode criar imagens de CT que respeitam as formas da anatomia sem precisar de anotações de especialistas.

#Métodos Anteriores e Suas Limitações

Muitos métodos existentes de síntese de imagem se baseiam em aprendizado supervisionado, o que significa que precisam de muitas imagens emparelhadas de MR e CT para funcionar bem. Porém, coletar esses dados emparelhados não é fácil ou barato. Outros métodos não supervisionados usam CycleGAN, que podem produzir imagens sem precisar de dados emparelhados, mas muitas vezes têm dificuldades em manter os detalhes Anatômicos necessários para bons resultados. Esse problema é especialmente agudo em pacientes pediátricos devido à rapidez com que seus corpos mudam.

Alguns métodos recentes introduziram diferentes tipos de checagens de consistência para ajudar a manter as formas intactas, mas frequentemente precisam de anotações de segmentação que consomem tempo, o que pode ser uma grande desvantagem.

#Como o MaskGAN Funciona

O MaskGAN funciona utilizando máscaras grosseiras criadas através de técnicas básicas de processamento de imagem ao invés de exigir anotações precisas. As diferentes máscaras ajudam o modelo a aprender quais partes da imagem correspondem a estruturas anatômicas específicas. Isso significa que o modelo pode produzir saídas que são estruturalmente sólidas sem a necessidade de rotulagem manual cara.

#Geração de Máscaras

O processo de geração de máscaras começa com técnicas simples que separam o fundo do primeiro plano. Por exemplo, melhoramos as imagens para criar uma máscara binária que mostra quais partes são de interesse. Fazemos um pós-processamento para garantir que nossas máscaras estejam limpas e precisas o suficiente para nossas necessidades.

#Geração de Conteúdo

Uma vez que as máscaras estão no lugar, o gerador de conteúdo preenche as estruturas contornadas pelas máscaras. Cada parte da anatomia, como o crânio ou o cérebro, pode ser focada separadamente para gerar uma imagem de CT completa correspondente ao scan de MRI original.

#Supervisão Estrutural

O MaskGAN inclui supervisão estrutural para garantir que as saídas geradas fiquem fiéis à anatomia original. Isso inclui medidas para minimizar as diferenças entre as máscaras geradas e as formas anatômicas reais vistas nas imagens de MRI e CT.

#Validação Experimental

Realizamos experimentos extensivos com um conjunto de dados contendo scans de MRI e CT de pacientes jovens. Comparamos o desempenho do MaskGAN com outros métodos líderes. Os resultados mostraram que nossa abordagem superou significativamente as outras em manter a estrutura anatômica.

#Coleta de Dados

O conjunto de dados que usamos consistiu de scans de MRI ponderados T1 e CT de fatias finas de pacientes pediátricos. Os scans foram coletados sob práticas padrão para garantir confiabilidade. Usando máquinas avançadas de MRI e CT, conseguimos coletar imagens de qualidade adequadas para nossos experimentos.

Os sujeitos incluíram crianças de 6 a 24 meses, pois elas são as mais vulneráveis aos efeitos da radiação. Essa demografia é particularmente relevante para cirurgias que podem exigir informações combinadas de MRI e CT.

#Métricas de Avaliação

Para avaliar a eficácia do nosso método, calculamos várias métricas de desempenho, como o erro absoluto médio (MAE), razão sinal-ruído de pico (PSNR) e índice de similaridade estrutural (SSIM). Essas métricas ajudam a fornecer uma comparação quantitativa entre nossas imagens sintéticas e as imagens reais de CT.

#Resultados e Comparações

Nossos resultados mostraram que o MaskGAN claramente superou os métodos existentes. As melhorias em MAE foram significativas quando comparadas ao CycleGAN e ao AttentionGAN. Notavelmente, nosso método reduziu erros em comparação com o shape-CycleGAN, que depende de anotações de especialistas. Isso significa que o MaskGAN não só é eficaz, mas também mais viável em aplicações práticas devido à sua menor dependência de trabalho manual para segmentação.

#Avaliações Visuais

Além das avaliações numéricas, incluímos comparações visuais para ilustrar as diferenças entre as imagens geradas e os scans de CT reais. Nossas imagens sintéticas mostraram-se mais suaves e mais anatômicamente precisas do que as geradas por outros métodos.

#Robustez a Erros

Também testamos como nosso método se saiu contra erros nas máscaras grosseiras. Quando introduzimos distorções artificiais nas máscaras, o MaskGAN ainda conseguiu produzir melhores resultados em comparação com métodos que dependem de máscaras precisas.

#Conclusão

O MaskGAN representa um avanço significativo no campo da síntese de imagens médicas. Ao utilizar uma abordagem nova que combina geração de máscaras com síntese de conteúdo, conseguimos criar imagens de CT que são anatomicamente precisas sem precisar de anotações meticulosas. Os experimentos demonstram que o MaskGAN é eficaz e prático para a imagem pediátrica, oferecendo uma solução confiável para os desafios impostos pelos métodos tradicionais.

Trabalhos futuros irão buscar aprofundar nossa compreensão de como este método pode ser aplicado em contextos clínicos, potencialmente levando a um planejamento melhor para tratamentos médicos enquanto minimiza os riscos associados à exposição à radiação. No geral, a introdução do MaskGAN tem o potencial de mudar a forma como abordamos a síntese de imagens médicas.