Física para el experto en visión artificial de aprendizaje profundo

Escrito por Judy Gichoya y Alexandre Cadrin-Chênevert

Jeremy Howard recientemente nos dirigió una publicación de uno de los estudiantes de fast.ai preguntando sobre la conversión de las unidades del campo doméstico para MRI.

Pregunta

Este artículo resume una visión general de la física de la formación de imágenes para MRI y tomografías computarizadas para ayudar a comprender el concepto de intensidades y mapeo

Para el lector impaciente, Alexandre Cadrin-Chênevert respondió esta pregunta

Si esto es de interés, sigue leyendo …

¿Qué es una modalidad?

La radiología se basa en varios tipos de cámaras (o modalidades ), que funcionan de manera diferente para capturar imágenes de los pacientes. Estos incluyen ultrasonido, tomografía computarizada (tomografía computarizada), imágenes de resonancia magnética (MRI), PET / CT y radiografía simple. Sí, piense en las diversas modalidades relacionadas con los diferentes tipos de cámara para imágenes médicas. En la imagen a continuación, puede ver la apariencia del hígado a través de diferentes cámaras (modalidades)

Imágenes hepáticas adquiridas a través de ultrasonido. Imágenes del hígado / abdomen superior adquiridas a partir de un escáner MRICT. Imágenes de la parte superior del abdomen, incluido el hígado.

¿Cómo se forman las imágenes de MRI?

La física de MRI se puede resumir como generación de señales, formación de imágenes y secuencias .

A: generación de señal

Nuestros cuerpos están hechos principalmente de agua (el 72% de nuestros cuerpos están compuestos de agua). El agua está compuesta de 2 moléculas de hidrógeno y 1 molécula de oxígeno (H2O). Esto se traduce en una gran cantidad de moléculas de hidrógeno en nuestros cuerpos. El hidrógeno es un elemento químico con un número atómico 1 (H +).

Composición del agua en el cuerpo humano

La máquina de resonancia magnética es un gran imán fuerte (y la unidad Tesla se usa para indicar la fuerza del imán principal). Cuando está sentado en el núcleo de la máquina de resonancia magnética, por ejemplo, para una IRM principal, la mayoría de los átomos de hidrógeno de su cuerpo se alinean con la dirección del imán principal (b0). Esto se llama magnetización longitudinal.

En reposo, todos tus átomos de hidrógeno están girando sobre su eje. Mira el video etiquetado a continuación para aprender sobre la precesión.

Como conocemos la fuerza del imán principal (B0), podemos calcular la frecuencia de Lamor que puede usarse para generar señal a los átomos de hidrógeno que están en precesión.

frecuencia lamor

En la figura anterior, los H + están en una frecuencia de precesión de 64 MHz distribuidos uniformemente a través del campo magnético. El conocimiento de las frecuencias de precesión nos permite centrarnos en una sección del cuerpo, por ejemplo, el abdomen, desplazando el campo magnético para que podamos aplicar una señal a un grupo específico de átomos que giran a una frecuencia predeterminada.

Además del campo magnético principal, la máquina MR tiene una señal de radiofrecuencia (RF) que se aplica perpedicular (90 grados) al imán principal y voltea los átomos de hidrógeno a 90 grados con respecto al imán principal. Me gusta pensar en esto como el proceso de sintonización en la radio donde siempre estás buscando una frecuencia específica. Esto se llama magnetización transversal . Los átomos de hidrógeno continúan su precesión, pero también pierden energía para pasar a un estado de menor energía (en la dirección del imán principal).

Los pasos anteriores se resumen a continuación …

Resumen de la generación de señal

A medida que los átomos de hidrógeno pierden energía para alinearse con la dirección del imán principal ( relajación longitudinal ), la señal que generan se puede capturar y trazar como una curva que se muestra a continuación. Esta curva se usa para determinar el tiempo T1

T T1 timeque es el tiempo que requieren los protones para recuperar el 63% de su magnetización longitudinal.

T1: tiempo requerido para que los protones recuperen el 63% de su magnetización longitudinal

Los diferentes tejidos del cuerpo tendrán diferentes tiempos T1, y por lo tanto, cuando observa una IRM, puede identificar la grasa (T1 corta) en comparación con el LCR.

Diferencia en las curvas T1 a través de varios tejidos

Otro fenómeno que está ocurriendo después de los 90 grados de RF se resume a continuación. Los átomos de hidrógeno están en fase al comienzo del pulso de RF de 90 grados, pero se someten a una interacción giro-red y se desfasan. Si trazas esta curva de caída de inducción libre , entonces obtienes una curva T2 *.

Curva T2 *

T T2 time : es el tiempo requerido para que los protones pierdan el 63% de su magnetización transversal.

Ahora que hemos explicado las señales T1 y T2, pasaremos a un ejemplo de meningioma para ayudar a comprender las señales de MR. Tenga en cuenta que Physics MR es un tema amplio y no hemos descrito conceptos como secuencias de difusión, eco, degradado y TOF, así como tampoco artefactos. El contraste funciona desplazando la curva T1 hacia la izquierda (acorta la curva T1).

Meningioma en MR

En la imagen de arriba, la imagen de la izquierda es una imagen ponderada en T1, y el meningioma es difícil de identificar. Después de la administración de contraste iv (gadolinio), la curva T1 del meningioma se desplaza hacia la izquierda y se ve como una lesión que realza en la imagen derecha.

Física CT – unidades Hounsfield (HU)

Las imágenes de TC no se desarrollan en base a la magia de hidrógeno para MR. En cambio, usan rayos X, una forma de radiación enfocada en una parte del cuerpo que se está visualizando. Diferentes partes del cuerpo atenúan (debilitan) el haz de rayos X a diferentes velocidades. Por lo tanto, para estandarizar los diferentes valores de atenuación, el coeficiente de atenuación se usa para medir la facilidad con que un haz penetra en un material. Como sabemos que la atenuación del agua es cero, entonces la HU se calcula en relación con el agua.

Cálculo HU

Por lo tanto, al medir una región de interés, puede calcular la UH de una lesión y determinar qué es, por ejemplo, una lesión que contiene grasa o un líquido que contiene una lesión como un quiste.

http://www.odec.ca/projects/2007/kimj7j2/index_files/Page1674.htm

Atando todo (Aprendizaje profundo)

La segmentación de imágenes es el proceso de dibujar contornos de un objeto para delinear sus límites. En imágenes médicas, la segmentación permite la cuantificación superficial o volumétrica de una lesión o una estructura anatómica. U-Net es una arquitectura de modelo de aprendizaje profundo especializada que permite la segmentación automática. Para capacitar a este tipo de modelo, debe mostrar varias imágenes iterativamente al modelo con las áreas segmentadas asociadas, a menudo dibujadas manualmente por los radiólogos.

U-Net: redes convolucionales para la segmentación de imágenes biomédicas

De: U-Net: redes convolucionales para la segmentación de imágenes biomédicas ( https://arxiv.org/pdf/1505.04597.pdf )

U-net está diseñado intrínsecamente para funcionar muy bien con una pequeña cantidad de casos de entrenamiento. La arquitectura codifica progresivamente la imagen inicial en una representación comprimida numéricamente, literalmente en la parte inferior de la U. Luego, esta representación inferior se decodifica simétricamente para generar el área segmentada automática, también definida como una máscara, como salida final. El entrenamiento está optimizado para minimizar la diferencia entre el área segmentada propuesta y el área de verdad de terreno segmentada manualmente. Esta propiedad que permite una capacitación eficiente con un número muy reducido de casos es particularmente útil en imágenes médicas donde la segmentación manual por expertos es muy costosa. Para la segmentación del meningioma, esta técnica podría probarse intuitivamente en una secuencia de MRI post-gadolinio que es la secuencia con la relación señal / ruido más alta según esta patología (es decir, los meningiomas típicamente muestran una mejora ávida y una señal brillante con respecto al fondo).

Esperemos que esto aclare la idea de las señales a través de CT y MR y lo ayude en su camino de aprendizaje profundo. Considere unirse a nuestra comunidad que cruza las ciencias radiológicas y de imágenes con los científicos de aprendizaje profundo aquí: https://tribe.radai.club .

Hablamos de aprendizaje profundo en nuestro club de revista mensual archivado aquí: https://youtu.be/xoUpKjxbeC0 . Nuestro próximo club de revistas es el 22 de febrero a las 8 p.m. EST con una presentación de Timnit Gebru sobre "Uso del aprendizaje profundo y Google Street View para estimar la composición demográfica de los vecindarios de los Estados Unidos"https://register.gotowebinar.com/ registrarse / 8696551324404512003

Di gracias y referencias

  1. Numerosas imágenes de la conferencia de física fueron obtenidas de uno de mis mejores maestros en el Departamento de Radiología de la Universidad de IndianaDr. Isaac Wu
  2. Lea más sobre la física de MR aquí – MRI hecho fácil

Texto original en inglés.