Imageamento por ressonância magnêtica com base em Compressive Sensing com pré-filtragem e redes generativas adversárias

Abstract

A imagem por Ressonância Magnética (do inglês, Magnetic Resonance) (MR) é uma o´tima escolha para detecção de doenças pulmonares e tumores com capacidade de diferen- ciar as características dos tecidos biológicos. Quando comparada com outras modalidades de imagem, tem vantagens pela ausência de radiação e bom contraste de tecidos moles. No entanto, uma desvantagem é o tempo que leva para escanear e reconstruir a imagem, limi- tando seu uso em algumas aplicações clínicas onde o tempo de imagem é crítico. O uso de Compressed Sensing (CS) na reconstrução acelera a aquisição, porém sofre de um processo iterativo longo e artefatos típicos que dificultam a interpretação da imagem. Quanto menor a taxa de sub amostragem nas imagens usadas para reconstrução, maior é a quantidade de artefato. Com os avanços no uso de Aprendizagem Profunda (do inglês, Deep Learning) (DL) em processamento de imagens médicas tivemos várias propostas de modelo generativo para encontrar e aprender automaticamente os padrões de uma imagem de MR. Um modelo generativo é usado para gerar novos exemplos extraídos do conjunto de dados original, a partir de um ruído. Atualmente, as arquiteturas Rede Adversaria Generativa (do inglês, Generative Adversarial Network) (GAN) têm apresentado excelente desempenho na modelagem de distribuições, podendo ser usada para aplicação da técnica de informação a priori determinística em CS. A GAN também pode gerar dados sem modelar explicitamente sua funçao de densidade de probabilidade e gerar dados semelhantes aos da imagem alvo levando menos tempo do que o CS. Neste trabalho apresentamos uma configuração de GAN que ao invés de receber como entrada apenas um ruído z, ela recebe uma imagem amostrada no espaço k com um nu´mero de trajetórias radiais. A versão condicional do modelo generativo tradicional aprende a representação de x condicionada a um rótulo y. Após o Rede Adversaria Generativa Con- dicional (do inglê, Conditional Generative Adversarial Network) (CGAN) métodos como Image-to-Image foram introduzidos com objetivo de transformar imagens para terem o estilo (ou características) de outra imagem. Isto é, podemos a partir de imagens sub amostradas no domínio da frequência, usando um nu´mero de amostras treinar o modelo generativo para aprender a aproximar a distribuição da imagem rotulada, a partir da imagem reconstruída. Os resultados dos nossos experimentos mostram que houve um ganho nas métricas objetivas quando comparamos imagens geradas pela CGAN e as imagens reconstruídas por CS quando a taxa de amostragem é menor do que 10%. Além disso, nossos testes com diferentes nu´meros de trajetórias mostram as limitações encontradas em modelos generati-vos na tarefa de reconstrução. Durante a execução da pesquisa, levantamos também outras hipóteses de melhorias para o processo de geração das imagens e um melhor uso para as imagens geradas. Para o processo de melhoria na geração das imagens há a possibilidade de aumentar o número de imagens com técnicas de rotação e deslocamento do conjunto de treinamento para o gerador poder aprender as representações de cada imagem em várias posições diferentes, aprendendo assim a variação que cada imagem de MR pode ter. Já um possível uso para as imagens geradas seria o uso do modelo proposto com objetivo de gerar pontos de suporte na técnica de informação a priori em reconstruções com CS.