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 простейшей 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/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).
