Desarrollo de una red neuronal convolucional volumétrica para la síntesis de imagen en resonancia magnética nuclear

Abstract

[ES] En Resonancia Magnética (RM), dependiendo de los parámetros de adquisición de las imágenes, es posible obtener una gran variedad de contrastes distintos, que muestran información comple- mentaria del objeto bajo estudio. A pesar de que esta información multiespectral trae consigo una mejora de la comprensión del estado de los tejidos cerebrales, la adquisición de múltiples contrastes no siempre es posible debido a limitaciones temporales y de comodidad del paciente. La síntesis de contrastes ha surgido recientemente como una solución aproximada para generar otros tipos de imagen diferentes de aquellos adquiridos originalmente pues, a pesar de todavía no haber conseguido resultados aptos para el diagnóstico clínico directo, sí que resulta útil para la mejora de procesos importantes tales como el registro o la segmentación: aumentando el número de modalidades de entrada a estos métodos, se incrementa la cantidad de información disponible mejorando así el desempeño del método. La mayoría de los métodos propuestos previamente para síntesis de imagen son basados en cortes, lo que puede resultar en inconsistencias de intensidad entre cortes vecinos cuando estos son aplicados en 3D. En el presente trabajo se propone el uso de una red neuronal convolucional (CNN) 3D capaz de generar una imagen T2 o FLAIR cerebral a partir de una imagen anatómica común T1 como imagen de origen. La red de aprendizaje profundo propuesta es una variante 3D de la conocida arquitectura UNet que procesa el volumen completo simultáneamente rompiendo con las inconsistencias en los volúmenes de salida resul- tantes relacionadas con los métodos basados en cortes 2D o patches, incrementando la coherencia en el volumen sintetizado y mejorando la precisión vía una perspectiva tridimensional integrada del contexto. Este enfoque holístico contribuye a generar volúmenes de salida más precisos tanto visual como cuantitativamente, a través de un aumento de la información contextual disponible. Finalmente, se ha validado el método propuesto con un método de segmentación, demostrando así su utilidad en una aplicación directa.

[EN] In Magnetic Resonance Imaging (MRI), depending on the image acquisition settings, a large number of image types or contrasts can be generated showing complementary information of the same imaged object. Although this multispectral information is beneficial to improve our un- derstanding of the state of the living brain tissues, acquisition of several contrasts is not always possible due to time limitations and patient comfort constraints. Contrast synthesis has emerged recently as an approximate solution to generate other image types different from those acquired originally. Despite not having yet achieved suitable results for direct clinical diagnosis use, it is useful for the improvement of important tasks such as registration or segmentation: by increasing the number of input image modalities to these methods, the amount of available information is increased, thus improving the performance of the method. Most of the previously proposed met- hods for contrast synthesis are slice-based which may result in intensity inconsistencies between neighbour slices when applied in 3D. The use of a 3D convolutional neural network (CNN) ca- pable of generating a T2-weighted or FLAIR MRI target contrast from a common anatomical T1-weighted source image is proposed. The proposed deep learning network is a 3D variant of the UNet that processes the whole volume at once breaking with the inconsistency in the re- sulting output volumes related to 2D slice or patch-based methods, enhancing the coherence in the synthesized volume and improving the accuracy via the integrated three-dimensional context awareness. This holistic approach contributes to generating more accurate output volumes both visually and quantitatively, through an increase in available contextual information. Eventually, the proposed method has been validated with a segmentation method, thus demonstrating its usefulness in a direct application.