Aprendizaje profundo para el registro de imágenes médicas deformables / Sudo Null IT News

En la medicina moderna existe una gran variedad de métodos diferentes para diagnosticar y controlar enfermedades, que se basan en el análisis de imágenes médicas. En este caso, a menudo hay que lidiar con series temporales de imágenes, cuyo análisis puede dar una idea del curso de la enfermedad, así como obtener una predicción sobre su posible desarrollo posterior.

A menudo, los métodos clínicos para analizar este tipo de imágenes, basados ​​únicamente en una evaluación visual realizada por expertos, tienen una precisión insuficiente y grandes errores, lo que puede conducir a un diagnóstico incorrecto de la enfermedad y, como resultado, a un resultado clínico desfavorable. Por tanto, es obvio que existe la necesidad de desarrollar algoritmos de análisis de imágenes para resolver problemas de diagnóstico y seguimiento de enfermedades.

Estos algoritmos resuelven un problema llamado registro de imágenes, que se analizará en este artículo. Aquí hablaré sobre el uso del registro de imágenes en medicina y también consideraré enfoques modernos para resolver este problema.

Registro de imágenes en diagnóstico médico. Mapeo métrico difeomorfo de gran deformación.

En general, el problema de registro de imágenes se plantea como la búsqueda de un mapeo para un par de imágenes que transforme la imagen inicial en la final. El registro se puede dividir en dos clases: rígido y deformable. Los métodos de registro rígido consideran las transformaciones de imágenes en su conjunto, es decir, solo incluyen rotaciones y desplazamientos de imágenes. A diferencia del registro rígido, el registro deformable permite describir cambios locales no lineales en la imagen.

Consideremos todo lo descrito anteriormente desde un punto de vista matemático: se nos darán las imágenes inicial y final que tienen{n\veces m \veces p} vóxeles. El registro de imagen deformable se puede describir como la búsqueda de un mapeo que minimice la siguiente pérdida funcional:

\hat\phi =\underset{\phi\ \in\ Diff\ R^{n\times m \times p}}{\operatorname{argmin}} (I_m \circ \phi, I_f),

Dónde Soy es la imagen inicial, y Si– finito (en literatura extranjera móvil y fijo, respectivamente).

En otras palabras, queremos obtener un mapeo de la clase de difeomorfismos en los que la diferencia entre las imágenes inicial y final transformadas es mínima. La difeomorfidad de la transformación es necesaria para que el mapeo resultante sea invertible. Sin embargo, ¿cómo se puede comprobar que un mapeo es difeomorfo en una computadora que solo puede procesar variables discretas?

Este problema se resuelve utilizando el método de mapeo métrico difeomorfo de gran deformación (LDDMM). Para describir la idea brevemente, sin entrar en detalles matemáticos complejos, debemos introducir una cuadrícula sobre las imágenes y calcular el jacobiano del mapeo en cada punto de la imagen. Si el jacobiano en cada punto de la cuadrícula es positivo, entonces el mapeo resultante se considerará difeomorfo. Se presenta una descripción más detallada de la técnica LDDMM. Aquí.

En términos generales, el registro de imágenes se puede realizar no sólo para un par de imágenes, sino también para una serie temporal de imágenes. En este caso, la visualización resultante se interpolará en imágenes intermedias.

Entonces, la teoría ha terminado, ¡es hora de pasar a la práctica!

Aplicación del registro de imágenes deformables en medicina.

El registro de imágenes deformables tiene una amplia gama de aplicaciones. Las fuentes de imágenes para el registro deformable pueden ser la tomografía computarizada (CT), la resonancia magnética (MRI), la ecografía, la fluorografía, etc. A continuación se muestran algunos ejemplos del uso del registro de imágenes deformables en medicina:

  1. Oncología: El registro deformable se utiliza para rastrear cambios en el tamaño y la forma de los tumores a lo largo del tiempo, lo cual es fundamental para la planificación del tratamiento y la evaluación de la eficacia del mismo. Artículo de ejemplo: Registro de imágenes deformables en radioterapia..

  2. Cardiología: El registro de tensión se utiliza para analizar el movimiento y la deformación del músculo cardíaco, lo que ayuda en el diagnóstico y tratamiento de enfermedades cardiovasculares. Artículo de ejemplo: Registro de imágenes deformables mediante transformadores de visión para la estimación del movimiento cardíaco a partir de imágenes de resonancia magnética cardíaca en cine.

  3. Ortopedía: En ortopedia, el registro de deformaciones se puede utilizar para comparar imágenes de las articulaciones antes y después de la cirugía, lo que ayuda a evaluar los resultados de la cirugía. Artículo de ejemplo: “Registro basado en modelos para la evaluación de deformidades de la columna en la escoliosis idiopática“.

  4. Investigación del cerebro: La grabación deformable ayuda en la investigación del cerebro al permitir comparar escáneres cerebrales de diferentes personas para estudiar diferencias anatómicas y patrones de actividad. Ejemplo de artículo: “Una evaluación reproducible del rendimiento de la métrica de similitud de ANT en el registro de imágenes cerebrales“.

Registro deformable para la reconstrucción del comportamiento vascular.

Registro deformable para la reconstrucción del comportamiento vascular.

Enfoques clásicos para el registro de imágenes deformables.

Los métodos clásicos de registro de imágenes deformables optimizan la pérdida funcional utilizando métodos de descenso de gradiente y también verifican la difeomorficidad del mapeo resultante. Los algoritmos de registro deformable más populares se presentan en paquetes de software. hormigas y avaro. Siga los enlaces para encontrar una descripción detallada de estos métodos con ejemplos de su uso.

La ventaja de estos métodos es que son bastante sencillos de ejecutar y también brindan la oportunidad de mejorar la precisión del registro al tener en cuenta el marcado de regiones anatómicas mediante máscaras de clase. El código para obtener un mapeo para el registro deformable es el siguiente (la solución al problema del registro deformable usando greedy se muestra como ejemplo):

greedy -d 3 \ 
-i path-to-fixed-image.nii.gz path-to-moving-image.nii.gz \
-gm path-to-fixed-segmentation.nii.gz \
-mm path-to-moving-segmentation.nii.gz \
-o path-to-warp.nii.gz \ 
-sv -n 100x50x10 -m NCC 4x4x4

Ahora aplique el mapeo resultante a la imagen inicial:

greedy -d 3 \
-rf path-to-fixed-image.nii.gz \
-rm path-to-moving-image.nii.gz path-to-warped-image.nii.gz \
-ri LABEL 0.2vox \
-rm path-to-moving-segmentation.nii.gz path-to-warped-segmentation.nii.gz \
-r path-to-warp.nii.gz

Sin embargo, todos los enfoques clásicos tienen desventajas. En primer lugar, no son universales. Es necesario seleccionar los parámetros para el lanzamiento cada vez. El segundo inconveniente es aún más significativo: estamos buscando un mapeo en la clase de difeomorfismos, que es bastante extenso. Esto significa que las visualizaciones resultantes pueden reflejar incorrectamente procesos físicos reales que ocurren en el área de observación durante un largo período de tiempo.

Enfoques de redes neuronales para el registro de imágenes. VoxelMorph y sus modificaciones.

La solución a las deficiencias de los enfoques clásicos mencionadas anteriormente es el uso de redes neuronales. Recientemente, se ha generalizado una red neuronal para resolver problemas de registro deformable de imágenes médicas. VoxelMorph.

VoxelMorph se basa en una red neuronal convolucional similar a U-Net. Recibe dos imágenes y máscaras de clase (opcionales) como entrada, y la salida es un mapeo que transforma la imagen inicial en la final.

Arquitectura VoxelMorph utilizando la grabación cerebral deformable como ejemplo.

Arquitectura VoxelMorph utilizando la grabación cerebral deformable como ejemplo.

Además de la ventaja de generalidad que brindan las redes neuronales, existe la ventaja de que podemos modificar la función de pérdida agregándole regularizadores para obtener un mapeo basado físicamente.

Primero, agreguemos una condición para la suavidad del mapeo y tengamos en cuenta la precisión de la transformación de las máscaras de clase:

\hat\phi =\underset{\phi\ \in\ Diff\ R^{n\times m \times p}}{\operatorname{argmin}} (I_m \circ \phi, I_f) + \lambda\|\ nabla \phi\|_2+ \gamma(S_m \circ \phi, S_f)

Hipermorfo

Ahora es importante hacer la pregunta: cómo seleccionar hiperparámetros \lambday \gamacon regularizadores? Por un lado, es posible entrenar varios modelos con diferentes valores de hiperparámetros, pero este proceso requiere mucho tiempo y recursos. Para resolver este problema, se desarrolló una modificación de VoxelMorph: Hipermorfo.

Arquitectura HyperMorph utilizando imágenes de TC de un aneurisma de aorta abdominal como ejemplo.

Arquitectura HyperMorph utilizando imágenes de TC de un aneurisma de aorta abdominal como ejemplo.

HyperMorph es un complemento de red neuronal totalmente conectado h_\thetaa través de la red principal de VoxelMorph. Además de las imágenes, HyperMorph toma como entrada valores de hiperparámetros generados aleatoriamente en forma de un conjunto Λ = {λ, γ} y calcula los valores de todos los pesos. θ_g Red central UNet g_\theta, que conforma la arquitectura VoxelMorph original. Por lo tanto, todos los pesos entrenables solo están en línea. h_thno en g_\theta.

En cada iteración del entrenamiento HyperMorph, se generan datos de entrada que, en el caso del entrenamiento con imágenes etiquetadas, contienen Soy, Si , S_m, S_f así como los valores de los hiperparámetros. \Lambda = \{{\lambda', \gamma'}\}obtenidos como números aleatorios de una distribución uniforme U(0, 1). La función de error de predicción del modelo de la ecuación se modifica de la siguiente manera:

L_{hyp} (I_m, I_f , \phi, Λ) = (1−\lambda')(1−\gamma' )L_{sim}(I_m \circ \phi, I_f)+\lambda' L_{smooth} (\phi)+\\+ \gamma' L _{seg}(S_m\circ\phi, S_f )

Factor (1−\lambda')(1−\gamma' ) antes del primer término le permite cubrir todas las relaciones de ponderación posibles entre cada término de error utilizando valores de parámetros {\lambda', \gamma'} de 0 a 1.

Como se señaló anteriormente, además de la suavidad de la visualización y la similitud entre las imágenes inicial y final transformadas, es importante obtener visualizaciones que reflejen los procesos físicos que ocurren en el área de observación a lo largo del tiempo. Para obtener transformaciones basadas físicamente, puede utilizar regularizadores, que se basan en un modelo físico que describe la mecánica del medio. En particular, en el artículo Aprendizaje de la regularización de la imagen médica inspirada en la física
Registro en Hiperredes Se propuso un modelo de medio elástico para el problema del registro deformable de imágenes pulmonares. Al mismo tiempo, los hiperparámetros obtenidos durante el proceso de entrenamiento de HyperMorph no tienen un significado abstracto, ¡sino físico! Esto significa que de esta forma es posible estimar los parámetros del medio ambiente dentro de los límites de aplicabilidad del modelo físico utilizado.

VoxelMorph++

Otra modificación de VoxelMorph es la arquitectura. VoxelMorph++, que le permite mejorar la calidad del registro deformable teniendo en cuenta puntos clave en regiones de interés. Esta arquitectura reemplaza el jefe de la red VoxelMorph para centrarse en el desplazamiento de los puntos clave correspondientes entre imágenes, lo que mejora la precisión de capturar grandes deformaciones entre imágenes.

Este enfoque permitió a los autores del artículo mejorar la calidad del registro de imágenes deformables para imágenes pulmonares. Además, se supone que VoxelMorph++ se puede utilizar para obtener imágenes más precisas cuando se trata de imágenes de tejidos blandos del cuerpo.

Conclusión.

El registro de imágenes deformables desempeña un papel importante en el diagnóstico médico moderno, ya que permite un seguimiento preciso de los cambios a lo largo del tiempo y proporciona una alta precisión en la planificación del tratamiento y la evaluación de su eficacia.

Avances en los métodos de registro: Con el desarrollo de métodos de aprendizaje profundo como VoxelMorph y sus modificaciones, se abren nuevas oportunidades para mejorar la calidad y precisión del registro deformable. Estos métodos ofrecen soluciones más universales y adaptativas en comparación con los enfoques clásicos.

Base física de registro.: La introducción de regularizadores físicos en el proceso de entrenamiento de las redes neuronales nos permite obtener visualizaciones que reflejan mejor los procesos físicos reales que ocurren en los tejidos, lo que supone un progreso significativo en el campo de la imagen médica.

Perspectivas de desarrollo: La mejora continua de algoritmos y arquitecturas de redes neuronales, como HyperMorph y VoxelMorph++, abre nuevos horizontes para la investigación y la aplicación clínica del registro deformable, haciéndolo más preciso y eficiente.

En general, el registro de imágenes deformables mediante técnicas de aprendizaje profundo es una herramienta poderosa que seguirá evolucionando y tendrá un impacto significativo en el diagnóstico y tratamiento médicos.

El artículo fue escrito con el apoyo del programa de Maestría “Aprendizaje automático aplicado y Big Data” de NSU.

Publicaciones Similares

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *