Novo método melhora a precisão do exame de ressonância magnética ao monitorar o movimento da cabeça

O movimento da cabeça é um problemão na hora de fazer imagens de ressonância magnética (RM). Até pequenos Movimentos podem causar erros na medição da estrutura do cérebro, dificultando a vida dos pesquisadores na busca por resultados precisos. Esse problema rola mesmo quando os experts conferem as imagens a olho nu.

Para captar melhor os pequenos movimentos da cabeça que podem passar batido, foi desenvolvido um novo método usando Aprendizado Profundo. Esse jeito novo prevê o movimento da cabeça diretamente a partir de três tipos de imagens de RM: T1, T2 e FLAIR. As previsões são baseadas em dados coletados de uma câmera de profundidade que acompanha os movimentos enquanto a RM acontece. Os Participantes desse estudo eram indivíduos saudáveis do Rhineland Study, um projeto de pesquisa de longo prazo focado na saúde cerebral. Como esses participantes seguem os protocolos de exame direitinho, eles apresentam movimento mínimo, dificultando a identificação de erros relacionados ao movimento.

Esse novo método tem mostrado resultados melhores do que as técnicas atuais para estimar movimento. Ele também consegue medir dois tipos de movimentos separadamente: os pequenos e lentos (drift) e os movimentos rápidos causados pela respiração. Curiosamente, ele também encontra uma ligação consistente entre o movimento da cabeça previsto e a idade dos participantes do estudo.

#O Desafio do Movimento da Cabeça em RMs

O movimento da cabeça é um problema comum durante as scans de RM. Até mudanças leves podem criar distorções nas imagens que podem enviesar os resultados analíticos. Isso acontece apesar dos cuidados dos profissionais treinados. A maioria das pesquisas sobre o movimento da cabeça focou em grupos clínicos onde o movimento pode ser mais evidente, deixando de lado estudos com indivíduos saudáveis que seguem os protocolos de exame.

Escolher ignorar o movimento da cabeça pode atrapalhar bastante a precisão dos resultados. Por exemplo, mesmo após inspeções visuais detalhadas das imagens do Rhineland Study, não foram encontrados casos claros de artefatos de movimento que exigissem a exclusão dos dados. Porém, em um grupo menor de 75 participantes reservado para testes, uma correlação clara entre movimento da cabeça e idade foi detectável, ressaltando a necessidade de detecção e controle efetivos do movimento da cabeça.

#Novo Método para Estimar Movimento da Cabeça

Nesse trabalho, os pesquisadores propõem uma maneira inovadora de estimar o movimento da cabeça diretamente das imagens de RM. Eles acompanham os movimentos da cabeça enquanto as scans são realizadas usando uma câmera de profundidade, fornecendo uma referência precisa para o movimento. Esse processo é diferente das práticas atuais que dependem de avaliações de especialistas, que podem ser subjetivas e não generalizáveis para grupos com pouco movimento.

Usar dados da câmera, por outro lado, fornece medições objetivas e detalhadas, mesmo que os participantes se movam um pouquinho. O aumento do aprendizado profundo melhorou ainda mais a precisão nas previsões de pontuação de movimento. Enquanto outros métodos focaram em prever a semelhança das imagens com base no movimento, esse novo jeito pode ser treinado em vários tipos de imagens sem modificações significativas.

#Coleta e Análise de Dados

Os dados para esse estudo vêm do Rhineland Study, que inclui pessoas com 30 anos ou mais, focando em indivíduos saudáveis. O conjunto de dados compreende 500 participantes, com suas imagens de RM coletadas seguindo protocolos rigorosos para minimizar o movimento. As imagens coletadas incluem scans T1w, T2w e FLAIR.

Durante a captação das imagens, também foram gravadas filmagens em vídeo para monitorar os movimentos da cabeça dos participantes. As imagens e os dados de movimento são sincronizados para medir o movimento da cabeça com precisão. Os pesquisadores analisam esses dados para derivar uma pontuação de movimento que reflete o quanto a cabeça se moveu durante as scans.

Os movimentos da cabeça dos participantes foram classificados em três categorias com base na frequência: drift constante, movimentos respiratórios periódicos e movimentos aleatórios e barulhentos que são mais difíceis de rastrear. Filtrando os dados de movimento, os pesquisadores conseguem gerar essas três pontuações separadas de movimento.

#Estrutura de Aprendizado Profundo

Para prever as pontuações de movimento da cabeça a partir das imagens de RM, os pesquisadores usaram um tipo de rede neural chamada rede neural convolucional (CNN). Esse modelo é eficiente e adequado para analisar dados tridimensionais como as imagens de RM. O processo de treinamento envolveu definir uma gama de pontuações de movimento esperadas e dividi-las em várias categorias, o que ajudou a prever as pontuações de movimento com mais precisão.

Técnicas de aumento de dados também foram aplicadas para melhorar o processo de treinamento. Essas técnicas ajudaram o modelo a generalizar melhor para novas imagens, simulando variações enquanto mantinham a análise focada nas características relevantes.

#Avaliando a Precisão da Previsão de Movimento

Os pesquisadores avaliaram o desempenho do método usando duas métricas principais. A primeira mede o quão bem o modelo prevê as pontuações de movimento (pontuação R²), e a segunda examina o quão bem ele classifica os participantes com base nessas pontuações (coeficiente de correlação de classificação de Spearman). O modelo teve um desempenho muito melhor do que os métodos existentes, validando sua eficácia em estimar o movimento da cabeça diretamente das imagens de RM.

Nos testes, os pesquisadores descobriram que suas previsões correlacionavam significativamente com fatores conhecidos, como a idade. Isso significa que o método pode ajudar a guiar o controle de qualidade nas scans de RM, identificando imagens que podem ser afetadas pelo movimento da cabeça.

#Generalização para Outros Tipos de Imagens

Os métodos desenvolvidos neste estudo foram testados ainda mais para ver se poderiam ser aplicados a outros tipos de imagens de RM, como T2w e FLAIR, além de prever diferentes tipos de movimentos da cabeça. Os pesquisadores descobriram que o modelo poderia prever com eficácia as pontuações de movimento para esses diferentes tipos de imagens e capturar os padrões de movimento relevantes.

Essa capacidade de generalização é crucial para tornar o modelo aplicável em várias situações, reforçando seu valor em ambientes clínicos e de pesquisa.

#Olhando para o Futuro: Pesquisas Futuras

Essa pesquisa destaca a importância de estimar com precisão o movimento da cabeça durante as scans de RM. A abordagem de aprendizado profundo oferece uma vantagem significativa sobre os métodos tradicionais ao fornecer medições mais confiáveis e objetivas. Os pesquisadores planejam explorar por que certas melhorias na qualidade da imagem funcionam melhor do que outras, particularmente o uso dos bits menos significativos para análise.

Além disso, eles notam que, embora os modelos de aprendizado profundo ofereçam resultados promissores, podem ainda enfrentar desafios quando aplicados a conjuntos de dados variados. Estudos futuros podem focar em treinar esses modelos em amostras de dados maiores e mais diversas para aumentar suas capacidades de generalização.

Outra área a ser explorada incluem entender se os vieses relacionados à idade ou condições de saúde impactam a própria estimativa de movimento.

#Conclusão

Os resultados ressaltam o potencial desse novo método para melhorar a qualidade da análise de RM ao estimar com precisão os sutis movimentos da cabeça. Ele promete ser uma ferramenta valiosa tanto em estudos de pesquisa quanto em aplicações clínicas, aprimorando a compreensão de como o movimento da cabeça afeta a qualidade dos dados e os resultados das análises. O trabalho visa melhorar processos em estudos longitudinais, permitindo que os pesquisadores controlem melhor os vieses relacionados ao movimento e desenvolvam modelos mais precisos sobre a saúde do cérebro.