Продолжаем разбираться со особенностями МРТ-данных для обучения нейронных сетей. Содержание и первые части цикла статей здесь.
5.5. Размерности серий и их регистрация
Подводя итоги рассмотренных серий:
Каждая анатомическая серия представляет собой 3-мерный объем, содержащий набор слайсов одинакового размера. В разных исследованиях может использоваться разная матрица, определяющая высоту и ширину каждого слайса, и разное количество слайсов.
Серия DWI обычно содержит не менее 2-х значений b-фактора, поэтому содержит 4-мерные данные – набор 3-мерных объемов, соответствующих значениям b-фактора. При этом размер матрицы, количество слайсов и положение в глобальной системе координат отличается от аналогичных параметров анатомических серий, но совпадает между объемами данной серии.
Серия ADC строится по объемам серии DWI и поэтому представляет собой 3-мерные данные, полностью совпадающие по размерностям и положению в пространстве с DWI.
Серия DCE, аналогично серии DWI, 4-мерна и содержит несколько 3-мерных объемов данных, соответствующих последовательности сканирований. Однако, в отличие от DWI, они строго упорядочены по времени. Размер матрицы, количество слайсов и положение в пространстве тоже отличается от аналогичных параметров анатомических серий, но совпадает между объемами данной серии.
Из-за разницы в размерностях и расположении серий одного исследования для их пространственной синхронизации используется процедура так называемой регистрации, при которой размерности и расположение отдельных объемов серий приводятся к размерности и расположению одной из них, как правило, анатомической. По сути, регистрация – это аффинный перевод данных из локальной системы координат одного изображения к локальной системе координат другого через промежуточную глобальную СК.
Для DS-задач подобная процедура необходима, чтобы передать в нейронную сеть набор данных из разных серий, синхронизированных в пространстве. Такой набор представляет собой 2D-изображение с необходимым количеством каналов – каждый из своей серии.
С учетом дискретности данных, такой перевод возможен только с помощью интерполяции значений пикселей в целевой области пространства. Как следствие, при регистрации неизбежно возникают искажения данных, особенно, если геометрические параметры серий сильно отличаются друг от друга.
При простейше�� геометрической регистрации через аффинное преобразование применяются разные способы интерполяции – линейная, ближайшего соседа, бикубическая и т.п. Такой подход характеризуется достаточно высокой скоростью вычислений, но и довольно сильными искажениями.
Поэтому разрабатываются и другие подходы, например, с применением методов машинного обучения. Однако подобные модели оказываются чувствительными к исходным данным и их сложно сделать универсальными и пригодными для работы в полностью автоматическом режиме, как это требуется при инференсе (см. далее регистрацию в SimpleITK).
Искажения при регистрации (а также специфика функциональных серий с их неточными границами) приводят к тому, что при решении задач сегментации патологий, для которых требуется использовать несколько разнородных серий, целесообразно использовать не одну нейронную сеть, а каскад, например:
Примерная детекция по всем сериям с максимизацией метрик полноты и точности + сегментация выбранных фрагментов только по анатомической серии.
Сегментация только по анатомической серии с максимизацией полноты + классификация выделенных сегментов по всем сериям для отсева ложноположительных масок.
5.6. ИП Inversion-Recovery (серии FLAIR, STIR)
Инверсия-восстановление (Inversion-Recovery, IR) – это импульсные последовательности, состоящие из одного 180°-сигнала, за которым обычно следует ИП типа спинового эха в его «стандартной» версии, хотя встречается использование этого метода и с другими ИП, например, FastSE, GE. Время между первым сигналом и основной ИП называется временем инверсии TI (Time Inversion).
Первый сигнал переворачивает продольную намагниченность MZ, делая ее отрицательной. При релаксации ее значение проходит через ноль. Некоторые ткани в момент измерения эха дают отрицательный сигнал, который отображается одним из следующих способов:
отрицательные значения приравниваются к нулю, т.е. сигнал от таких тканей полностью подавляется;
значение сигнала берется по модулю.
Варьируя время инверсии TI, можно подавлять сигналы от конкретных тканей. Если TI выбран таким образом, что продольная намагниченность нужной ткани в момент измерения равна нулю, то последняя не может испускать сигнал (отсутствие поперечной намагниченности из-за отсутствия продольной намагниченности).
Необходимость подавления сигналов от жировой ткани возникает из-за высокой насыщенности таких тканей водородом, что приводит к интенсивному сигналу. Высокая интенсивность может перекрывать сигнал от опухолей в контрастных сериях, взвешенных по T1, или отечный гиперсигнал в жировых органах в T2-сериях. Может оказаться сложно отличить жир от других тканей с высокой интенсивностью сигнала T1 и T2, например, продуктов распада крови в гематоме [4].
Наиболее часто можно встретить одну из следующих ИП (хотя помним, что производители томографов любят давать свои названия):
STIR (Short TI Inversion-Recovery) – это ИП IR с коротким TI (около 140 мс для 1.5 Тл), которая подавляет сигналы от жировой ткани. Такие ИП обладают низкой чувствительностью к неоднородностям магнитного поля и к присутствию металла, например, протезов суставов. Однако именно STIR не рекомендуется для контрастных серий, т.к. вместе с сигналом от жировых тканей может снизить сигналы, усиленные контрастом – для таких серий используются другие подходы к подавлению жира [4].
FLAIR – это ИП IR с длинным TI (около 2000 мс), которая подавляет сигналы от свободной жидкости (кровь, спинно-мозговая жидкость и т.п.). Из-за длинного TI в качестве основных ИП обычно используются быстрые, например, FastSE.
5.7. Метод Echo Planar Imaging (EPI)
Эхо-планарный метод – самый быстрый метод проведения исследования (50-100 мс на слайс). Из-за высокой скорости получения изображений данный метод активно применяется для МРТ подвижных органов, мониторинга в реальном времени, получения 3D-данных больших участков тела и всего тела и т.п.
Метод EPI заключается в последовательности градиентных эхо-сигналов после основных импульсов, которые позволяют сразу и полностью заполнить К-пространство за «один проход» (Single Shot). При этом используются разные траектории заполнения К-пространства.
В зависимости от импульсов в последовательности позволяет получать [4]:
GE-EPI -> взвешивание по T2*;
SE-EPI -> взвешивание по T2;
IR-EPI -> взвешивание по T1;
DW-EPI -> диффузионное взвешивание.
Недостатки метода EPI вытекают из высокой скорости сканирования:
уменьшенное пространственное разрешение, меньшая чувствительность к мелким объектам;
склонность к появлению разнообразных артефактов и геометрических искажений.
5.8. Метод PROPELLER
Метод PROPELLER (Periodically Rotated Overlapping ParallEL Lines with Enhanced Reconstruction) разработан в 90-х годах для уменьшения влияния произвольных и непроизвольных движений пациента на качество изображений. Он состоит в заполнении К-пространства не последовательно (по строкам), а радиально – полосками (их иногда называют лезвиями, blades) с единым центром. Каждая полоска заполняется с помощью ИП быстрого спинового эха (FSE) или градиентного эха.
При таком подходе в центре К-пространства количество значений на каждую точку пространства будет избыточным, что позволяет гораздо точнее определить «правильный» сигнал. Напомним, что центр К-пространства содержит высокую амплитуду сигнала и вносит наибольший вклад в контрастность изображения, т.е. отношения сигнал/шум и контраст/шум таких изображений будут высокими.
![Рисунок 43. Сравнение T2 FSE без PROPELLER и с ним [источник]](https://habrastorage.org/r/w1560/getpro/habr/upload_files/179/cd2/902/179cd29020dcdd2e4edaefe471e2efb2.png "Рисунок 43. Сравнение T2 FSE без PROPELLER и с ним [источник]")
Время собственно сканирования остается практически таким же, однако более сложная процедура реконструкции изображения может приводить к задержкам в несколько секунд по окончании сканирования. Алгоритм PROPELLER включает несколько шагов, направленных на коррекцию данных каждой полоски (например, сдвиг ее центра в случае смещения) и всех полосок вместе (например, отбрасывание аномальных значений).
