Física para o perito em visão computacional de aprendizado profundo

Escrito por Judy Gichoya e Alexandre Cadrin-Chênevert

Jeremy Howard recentemente nos dirigiu uma postagem de um dos alunos do fast.ai perguntando sobre a conversão das unidades domésticas para a ressonância magnética.

Questão

Esta publicação resume uma visão geral da física da formação de imagens para exames de ressonância magnética e tomografia computadorizada para ajudar a compreender o conceito de intensidade e mapeamento

Para o leitor impaciente, Alexandre Cadrin-Chênevert respondeu a esta pergunta

Se isso de interesse, então, leia …

O que é uma modalidade?

A radiologia depende de vários tipos de câmeras (ou modalidades ) – que funcionam de forma diferente para capturar imagens de pacientes. Estes incluem ultra-som, tomografia computadorizada (tomografia computadorizada), ressonância magnética (MRI), PET / CT e raio Xray. Sim, pense nas várias modalidades relacionadas aos diferentes tipos de câmeras para imagens médicas. Na imagem abaixo, você pode ver a aparência do fígado em diferentes câmeras (modalidades)

Imagens de fígado adquiridas através de imagens de ultra-sonografia do fígado / abdômen superior adquiridas a partir de imagens de varredura MRICT da parte superior do abdômen, incluindo fígado

Como as imagens de MRI são formadas?

A física da MRI pode ser resumida como geração de sinal, formação de imagem e seqüências .

A: geração de sinal

Nossos corpos são feitos principalmente de água (72% dos nossos corpos são compostos de água). A água é composta de 2 moléculas de hidrogênio e 1 molécula de oxigênio (H20). Isso se traduz em uma grande quantidade de moléculas de hidrogênio em nossos corpos. O hidrogênio é um elemento químico com um número atômico 1 (H +).

Composição da água no corpo humano

A máquina de ressonância magnética é um grande íman forte (e a unidade Tesla é usada para significar a força do ímã principal). Quando você está sentado no núcleo da máquina de ressonância magnética, por exemplo, para uma RM de cabeça, a maioria dos átomos de hidrogênio do seu corpo se alinham na direção do ímã principal (b0). Isso é chamado de magnetização longitudinal.

Em repouso, todos os seus átomos de hidrogênio estão girando em seu eixo – Assista ao vídeo etiquetado abaixo para saber sobre a precessão

Uma vez que conhecemos a força magnética principal (B0), podemos calcular a frequência Lamor que pode ser usada para gerar sinal para os átomos de hidrogênio em precessão.

frequência Lamor

Na figura acima, o H + está em uma freqüência de précessão de 64 MHz uniformemente distribuída através do campo magnético. O conhecimento das freqüências de precessão nos permite focar uma seção do corpo, por exemplo, o abdômen deslocando o campo magnético para que possamos aplicar um sinal a um grupo específico de átomos rotativos em uma freqüência predeterminada.

Além do campo magnético principal, a máquina MR possui um sinal de radiofrequência (RF) que é aplicado perpedicular (90 graus) ao íman principal e alterna os átomos de hidrogênio a 90 graus em relação ao ímã principal. Eu gosto de pensar nisso como o processo de sintonização para o rádio onde você está sempre procurando uma freqüência específica. Isso é chamado de magnetização transversal . Os átomos de hidrogênio continuam sua precessão, mas também perdem energia para ir a um estado de energia mais baixo (na direção do ímã principal).

Os passos acima estão resumidos abaixo ….

Recapitulação da geração de sinal

À medida que os átomos de hidrogênio perdem energia para alinhá-los à direção do íman principal ( relaxamento longitudinal ), o sinal que eles geram pode ser capturado e plotado como uma curva mostrada abaixo. Esta curva é usada para determinar o tempo T1

Tempo T T1qual é o tempo necessário para que os prótons recuperem 63% de sua magnetização longitudinal.

T1 – tempo necessário para que os prótons recuperem 63% de sua magnetização longitudinal

Diferentes tecidos do corpo terão diferentes tempos T1 e, portanto, quando você olhar para uma ressonância magnética, você pode identificar gordura (T1 curto) versus CSF.

Diferença nas curvas T1 em vários tecidos

Outro fenômeno que ocorre após os 90 graus RF é resumido abaixo. Os átomos de hidrogênio estão em fase no início do pulso de RF de 90 graus, mas eles sofrem uma interação de rotação de rotação e saem de fase. Se você traçar esta curva de decadência de indução livre , então você obtém uma curva de T2 *.

Curva T2 *

T tempo T2 – é o tempo necessário para que os prótons percam 63% de sua magnetização transversal.

Agora que explicamos os sinais T1 e T2, passaremos para um exemplo de meningioma para ajudar a entender os sinais MR. Observe a física O MR é um tema amplo e não descrevemos conceitos como difusão, eco, gradiente e seqüências TOF, bem como artefatos. O contraste funciona mudando a curva T1 para a esquerda (encurta a curva T1).

Meningioma em MR

Na imagem acima, a imagem esquerda é imagem pontilhada em T1, e o meningioma é difícil de identificar. Após a administração do contraste IV (gadolínio), a curva T1 do meningioma desloca para a esquerda e é vista como uma lesão melhorante na imagem certa.

Física CT – unidades Hounsfield (HU)

As imagens de CT não são desenvolvidas com base na magia de hidrogênio para MR. Em vez disso, eles usam Xrays, uma forma de radiação focada em parte do corpo que está sendo imaginada. Diferentes partes do corpo atenuam (enfraquecem) o raio Xray em diferentes taxas. Portanto, para padronizar os diferentes valores de atenuação, o coeficiente de atenuação é usado para medir a facilidade com que um feixe penetra em um material. Como sabemos que a atenuação da água é zero, então a HU é calculada em relação à água.

Cálculo HU

Portanto, medindo uma região de interesse, você pode calcular a HU de uma lesão e determinar o que é – por exemplo, uma lesão contendo gordura ou uma lesão contendo fluido como um cisto.

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

Juntando-o (aprendizado profundo)

A segmentação da imagem é o processo de desenho de contornos de um objeto para delinear seus limites. Na imagem médica, a segmentação permite quantificação superficial ou volumétrica de uma lesão ou de uma estrutura anatômica. A U-Net é uma arquitetura de modelo de aprendizagem profunda especializada que permite a segmentação automática. Para treinar esse tipo de modelo, você precisa mostrar múltiplas imagens iterativamente para o modelo com as áreas segmentadas associadas, muitas vezes desenhadas manualmente por radiologistas.

U-Net: Redes Convolutivas para Segmentação de Imagem Biomédica

De: U-Net: Redes Convolutivas para Segmentação de Imagem Biomédica ( https://arxiv.org/pdf/1505.04597.pdf )

U-net é projetado intrinsecamente para executar muito bem com um pequeno número de casos de treinamento. A arquitetura codifica progressivamente a imagem inicial em uma representação numericamente espremida, literalmente na parte inferior da U. Então, esta representação inferior é decodificada simetricamente para gerar a área segmentada automática, também definida como máscara, como a saída final. O treinamento é otimizado para minimizar a diferença entre a área segmentada proposta com a área de terra-verdade segmentada manualmente. Esta propriedade que permite um treinamento eficiente com um número muito pequeno de casos é particularmente útil em imagens médicas onde a segmentação manual especialista é muito dispendiosa. Para a segmentação do meningioma, esta técnica pode ser testada intuitivamente em uma sequência de ressonância magnética pós-gadolínio que é a seqüência com a maior relação sinal / ruído de acordo com esta patologia (ou seja, os meningiomas geralmente mostram aprimoramento ávido e sinal brilhante em relação ao fundo).

Esperemos que isso esclareça a idéia de sinais em CT e MR e o ajuda em seu caminho de aprendizagem profundo. Considere juntar-se à nossa comunidade que intercepta as ciências da radiologia e da imagem com cientistas de aprendizado profundo aqui: https://tribe.radai.club .

Discutimos aprendizado profundo em nosso clube mensal de revistas arquivado aqui: https://youtu.be/xoUpKjxbeC0 . Nosso próximo clube de revistas é 22 de fevereiro, 8:00 horas, com uma apresentação de Timnit Gebru sobre "Usando o aprendizado profundo e o Google Street View para estimar a composição demográfica de bairros em todo os Estados Unidos"https://register.gotowebinar.com/ Registre-se / 8696551324404512003

Diga agradecimentos e referências

  1. Numerosas imagens da palestra de física foram obtidas de um dos meus melhores professores do Departamento de Radiologia da Universidade de IndianaDr. Isaac Wu
  2. Leia mais sobre física de MR aqui – a ressonância magnética é fácil