BR112020007105A2

BR112020007105A2 - método para treinar um dispositivo de diagnóstico por imagem para realizar uma imagem para diagnóstico médico com uma dose reduzida de agente de contraste

Info

Publication number: BR112020007105A2
Application number: BR112020007105-6A
Authority: BR
Inventors: Greg Zaharchuk; Enhao Gong; John M. Pauly
Original assignee: The Board Of Trustees Of The Leland Stanford Junior University
Priority date: 2017-10-09
Filing date: 2018-10-09
Publication date: 2020-09-24
Also published as: SG11202003232VA; CN111601550A; WO2019074938A1; KR20200063222A; EP3694413A1; EP3694413A4; JP2020536638A; CA3078728A1; JP7244499B2; US11935231B2; JP7476382B2; US20210241458A1; AU2018346938A1; AU2018346938B2; US20190108634A1; CN111601550B; JP2023078236A; US10997716B2

Abstract

A presente invenção se refere a um método para geração de imagens de diagnóstico com dose reduzida de agente de contraste usa uma rede de aprendizado profundo (DLN) [114] que foi treinada usando imagens de contraste zero [100] e baixo contraste [102] como entrada para imagens DLN e de contraste total [104] como imagens de referência fundamentais. Antes do treinamento, as imagens são pré-processadas [106, 110, 118] para co-registrar e normalizar as mesmas. A DLN treinada [114] é então usada para prever uma imagem sintetizada de agente de contraste para dose total [116] a partir de imagens adquiridas de dose zero e dose baixa.

Description

“MÉTODO PARA TREINAR UM DISPOSITIVO DE DIAGNÓSTICO POR IMAGEM PARA

REALIZAR UMA IMAGEM PARA DIAGNÓSTICO MÉDICO COM UMA DOSE REDUZIDA DE AGENTE DE CONTRASTE” Campo da Invenção

[001] A presente invenção refere-se em geral a imagem para diagnóstico médico. Mais especificamente, se refere a técnicas de imagem que usam agentes de contraste.

Antecedentes da Invenção

[002] Muitos tipos de imagem médica usam agentes de contraste para aumentar a visualização de estruturas normais e anormais. Exemplos incluem as convencionais angiografia, fluoroscopia, tomografia computadorizada (CT), ultrassom, e a imagem de ressonância magnética (MRI). Com frequência, é desejável se reduzir o agente de contraste dose de modo a aumentar a segurança dos referidos agentes. No entanto, a dose reduzida reduz os aprimoramentos de imagem desejados, portanto, isso não foi possível.

[003] Por exemplo, a ressonância magnética é uma técnica de imagem poderosa que fornece informações exclusivas para distinguir diferentes tecidos moles e patologias. Agentes de contraste magnético com parâmetros únicos de relaxamento são administrados com frequência para aumentar ainda mais a visibilidade da patologia e o delineamento das lesões. Os agentes de contraste com base em gadolínio (GBCAs) são amplamente utilizados nos exames de ressonância magnética por causa de suas propriedades paramagnéticas, para aplicações como em angiografia, neuroimagem e a imagem hepática.

[004] No entanto, embora os GBCAs sejam projetados para evitar a liberação tóxica e tenham sido amplamente aplicados em exames de RM com contraste (CE-MRI) para auxiliar no diagnóstico, existem vários efeitos colaterais resultantes da administração do GBCA. Portanto, há muitas razões pelas quais seria vantajoso reduzir a dosagem de GBCA, preservando o contraste aprimorado na imagem por ressonância magnética.

[005] Problemas semelhantes estão associados à administração de agentes de contraste em outras modalidades de imagem também. Assim, seria benéfico poder reduzir a dose de agentes de contraste geralmente nas técnicas de diagnóstico por imagem, sem sacrificar os benefícios de aprimoramento da imagem que os agentes de contraste proporcionam.

Sumário da Invenção

[006] A presente invenção proporciona técnicas para aumentar qualidade da imagem de modalidades de diagnóstico por imagem usando uma dose mais baixa de contraste do que atualmente é possível. Isso permite novas oportunidades para melhorar o valor da imagem médica. Além da ressonância magnética, as técnicas são geralmente aplicáveis a uma variedade de técnicas de diagnóstico por imagem, incluindo angiografia, fluoroscopia, tomografia computadorizada (TC) e ultrassom.

[007] Surpreendentemente, as técnicas da presente invenção são capazes de prever uma imagem de agente de contraste de dose total sintetizada a partir de uma imagem de agente de contraste de dose baixa e uma imagem de pré-dose. A dose baixa pode ser qualquer fração da dose completa, mas é preferencialmente 1/10 ou menos da dose completa. Amplificar de forma significativa e ingênua o aprimoramento de contraste de uma CE-MRI de baixa dose 1/10 por um fator de dez resulta em baixa qualidade de imagem com ruído generalizado e estruturas ambíguas. Embora a imagem de baixo contraste não possa ser usada diretamente para diagnóstico, ou simplesmente amplificando sua captação, as técnicas da presente invenção são notavelmente capazes de recuperar o sinal de contraste total e gerar imagens de contraste total previstas com alta qualidade de diagnóstico. Especificamente, em testes experimentais, o método produziu melhorias significativas em relação às imagens de baixa dose de 10%, com ganhos de PSNR acima de 5 dB, aumento de 11% no SSIM e melhorias nas classificações na qualidade da imagem e aprimoramento do contraste.

[008] Modalidades da presente invenção usam uma rede de aprendizado profundo, como uma Rede Neural Convolucional para regressão de imagem a imagem, com uma imagem de pré-contraste e a imagem de baixo contraste como entrada e com uma imagem de contraste total prevista como saída. Uma abordagem de aprendizado residual é preferencialmente usada na previsão.

[009] O método inclui o pré-processamento para co-registrar e normalizar entre imagens diferentes, para que sejam diretamente comparáveis. Esta etapa é importante, pois existem fatores arbitrários de aquisição e escala diferentes para cada varredura. De preferência, o sinal médio é usado para normalização. As imagens pré- processadas são usadas para treinar a rede de aprendizado profundo para prever a imagem de contraste total das imagens de pré-contraste e de baixo contraste. A rede treinada é então usada para sintetizar imagens de contraste total a partir de exames clínicos de imagens de pré-contraste e de baixo contraste. As técnicas são geralmente aplicáveis a qualquer modalidade de diagnóstico por imagem que use um agente de contraste. Por exemplo, os aplicativos de imagem incluem fluoroscopia, ressonância magnética, tomografia e ultrassom.

[010] Em um aspecto, a invenção fornece um método para treinar um dispositivo de diagnóstico por imagem para realizar imagens de diagnóstico médico com dose reduzida de agente de contraste. O método inclui a) realizar imagens de diagnóstico de um conjunto de indivíduos para produzir um conjunto de imagens compreendendo, para cada indivíduo do conjunto de indivíduos, i) uma imagem de contraste total adquirida com uma dose de agente de contraste total administrada ao indivíduo, ii) uma imagem de baixo contraste adquirida com uma dose baixa de agente de contraste administrada ao objeto, em que a dose baixa de agente de contraste é menor que a dose total de agente de contraste e iii) uma imagem de baixo contraste adquirida sem a dose de agente de contraste administrada ao indivíduo; b) pré-processar o conjunto de imagens para co- registrar e normalizar o conjunto de imagens para ajustar as diferenças de aquisição e dimensionamento entre diferentes digitalizações; e c) treinar uma rede de aprendizado profundo (DLN) com o conjunto de imagens pré-processadas aplicando imagens de contraste zero do conjunto de imagens e imagens de baixo contraste do conjunto de imagens como entrada para o DLN e usar uma função de custo para comparar a saída do DLN com imagens de contraste total do conjunto de imagens para treinar parâmetros do DLN usando retropropagação. A função de custo pode ser, por exemplo, uma função de perda do MAE ou uma função de perda de mistura com similaridades estruturais não locais.

[011] Em outro aspecto, a presente invenção proporciona um método de imagem para diagnóstico médico com dose reduzida de agente de contraste. O método inclui a) realizar diagnóstico por imagem de um indivíduo para produzir uma imagem de baixo contraste adquirida com uma baixa dose de agente de contraste administrada ao indivíduo, onde a baixa dose de agente de contraste é menos do que a dose total de agente de contraste, e uma imagem de zero contraste adquirida sem nenhuma dose do agente de contraste administrada ao indivíduo; b) pré-processar a imagem de baixo contraste e a imagem de zero contraste para co-registrar e normalizar as imagens para ajustar as diferenças de aquisição e dimensionamento; e c) aplicar a imagem de baixo contraste e a imagem de contraste zero como entrada a uma rede de aprendizagem profunda (DLN) para gerar como saída da DLN uma imagem de agente de contraste de dose total sintetizada do indivíduo; onde o DLN foi treinado aplicando imagens de zero contraste e imagens de baixo contraste como imagens de entrada e de contraste total como imagens de referência verdadeira fundamental.

[012] Uma baixa dose de agente de contraste é preferivelmente menos do que 10% da dose total de agente de contraste. A diagnóstico por imagem pode ser angiografia, fluoroscopia, tomografia computadorizada (CT), ultrassom, ou imagem de ressonância magnética. Por exemplo, realizar diagnóstico por imagem pode incluir realizar imagem de ressonância magnética onde a dose total de agente de contraste é no máximo 0,1 mmol/kg contraste com Gadolínio para MRI. Em um modalidade, a DLN é uma rede neural convolucional codificador-decodificador (CNN) que inclui conexões de concatenação de desvio e conexões residuais.

[013] Em outro aspecto, a presente invenção proporciona um método de imagem para diagnóstico médico que inclui a) realizar diagnóstico por imagem de um indivíduo para produzir uma primeira imagem adquirida com uma primeira sequência de aquisição de imagem e uma segunda imagem adquirida com uma segunda sequência de aquisição de imagem distinta a partir da primeira sequência de aquisição de imagem, onde zero dose de agente de contraste é administrada durante a diagnóstico por imagem; b) pré-processar a primeira imagem e a segunda imagem para co-registrar e normalizar as imagens para ajustar as diferenças de aquisição e dimensionamento; c) aplicar a primeira imagem e a segunda imagem como entrada a uma rede de aprendizado profundo (DLN) para gerar como saída da DLN uma imagem de agente de contraste de dose total sintetizada do indivíduo; em que a DLN foi treinada aplicando imagens de zero contraste com diferentes sequências de imagem como imagens de entrada e de contraste total adquiridas com uma dose de agente de contraste total como imagens de referência verdadeira fundamental.

Breve Descrição dos Desenhos

[014] A Figura 1 é um gráfico de fluxo mostrando uma tubulação de processamento de acordo com uma modalidade da presente invenção;

[015] a Figura 2 ilustra um fluxo de trabalho de um protocolo e procedimento para a aquisição de imagens usadas para treinar de acordo com uma modalidade da presente invenção;

[016] a Figura 3 é uma visão geral esquemática de um fluxo de processamento de imagem de acordo com uma modalidade da presente invenção;

[017] a Figura 4 é uma ilustração de um modelo de sinal para sintetizar imagem de MRI aprimorada com contraste de dose total de acordo com uma modalidade da presente invenção;

[018] a Figura 5 mostra uma arquitetura detalhada de modelo de aprendizado profundo (DL) de acordo com uma modalidade da presente invenção;

[019] a Figura 6 é um conjunto de imagens de um paciente com doença metastática intracraniana, mostrando a imagem prevista sintetizada a partir de imagem de pré-contraste e imagem de baixa dose, comparada com uma imagem de dose total de acordo com uma modalidade da presente invenção;

[020] a Figura 7 é um conjunto de imagens de um paciente com um neoplasma cerebral, mostrando uma imagem de dose total sintetizada prevista a partir de uma imagem de pré-contraste e uma imagem de baixa dose, comparada com a imagem de dose total de acordo com uma modalidade da presente invenção;

[021] a Figura 8 é um conjunto de imagens de um paciente com um shunt programável e hipotensão intracraniana, mostrando capacidade de supressão de ruído e capacidade de aprimoramento de contraste consistente de acordo com uma modalidade da presente invenção.

Descrição Detalhada da Realização Preferida

[022] Modalidades da presente invenção proporcionam um técnica de diagnóstico por imagem com base em aprendizado profundo para reduzir de modo significativo os níveis de dosagem de agente de contraste ao mesmo tempo em que mantém qualidade do diagnóstico para imagens clínicas.

[023] Ilustrações do protocolo e procedimento de uma modalidade da presente invenção são mostrados na Figura 1 e na Figura 2. Embora as modalidades descritas abaixo foquem em Imagem por MRI para fins de ilustração, os princípios e as técnicas da presente invenção descrita nesse documento não são limitados a MRI, mas são em geral aplicáveis a várias modalidades de imagem que fazem uso de agentes de contraste.

[024] A Figura 1 é um gráfico de fluxo mostrando uma tubulação de processamento para uma modalidade da presente invenção. A rede de aprendizado profundo é treinada usando imagens de múltiplos contrastes 100, 102, 104 adquiridas a partir de leituras de uma multiplicidade de indivíduos com uma ampla gama de indicações clínicas. As imagens são pré-processadas para realizar o co-registro de imagem 106, para produzir imagens de múltiplos contrastes 108 e o aumento de dados 110 para produzir fragmentos de imagem normalizados de múltiplos contrastes 112. O co-registro rígido ou não rígido pode ser usado para ajustar vários fatias ou volumes de imagem para combinar os pixels e voxels entre si. Como pode haver diferenças arbitrárias de escala entre diferentes volumes, a normalização é usada para corresponder à intensidade de cada imagem/volume. Máscaras cerebrais e de anatomia são usadas opcionalmente para extrair as importantes regiões de interesse em cada imagem/volume. As imagens de referência 104 também são processadas para realizar o co-registro e a normalização 118.

Essas imagens pré-processadas são então usadas para treinar uma rede de aprendizado profundo 114, a qual é preferencialmente implementada usando aprendizado residual em uma rede neural convolucional. A entrada para a rede de aprendizado profundo é uma imagem de dose de zero contraste 100 e uma imagem de dose de baixo contraste 102, enquanto a saída da rede é uma previsão sintetizada de uma imagem de dose de contraste total 116. Durante o treinamento, uma imagem de referência de contraste total 104 é comparada com a imagem sintetizada 116 usando uma função de perda para treinar a rede usando retropropagação de erro.

[025] A Figura 2 ilustra o fluxo de trabalho do protocolo e procedimento para a aquisição de imagens usadas para treinar. Após uma imagem de pré-contraste (zero dose) 200 ser adquirida, uma baixa dose (por exemplo, 10%) de contraste é administrada e uma imagem de baixa dose 202 é adquirida. Uma dose adicional (por exemplo, 90%) de contraste é então administrada para totalizar uma dose total de 100%, e uma imagem de dose total 204 é então adquirida.

[026] Em uma modalidade de MRI, imagens são adquiridas com leitores de MRI 3T (GE Healthcare, Waukesha, WI, USA) usando protocolo neuro clínico com imagem 3D de alta resolução, ponderada em T1, com imagem de recuperação de inversão e preparação de eco com gradiente rápido estragado (IR-FSPGR) em 3T.

Especificamente, imagens de pré-contraste IR-FSPGR de alta resolução e ponderadas em T1, imagens de pós-contraste com 10% de dose baixa e 100% de dose completa de gadobenato de dimeglumina (0,01 e 0,1 mmol/kg, respectivamente) imagens de dose total são adquiridas.

[027] Para outras modalidades de imagem, configurações semelhantes são usadas para incluir pelo menos um conjunto de imagens sem aprimoramento adquirido sem a injeção de contrastes. E, opcionalmente, pelo menos um conjunto de imagens com aprimoramento de baixo nível que é adquirido com a injeção de baixa dose de contraste.

Para a TC, o contraste é geralmente um agente de contraste à base de iodo. O agente de contraste da TC geralmente é administrado com base na preferência dos médicos, padrão regulatório e peso do paciente. A administração de uma dose baixa significa injetar menos do que os protocolos padrão. Para a TC, pode haver vários conjuntos de imagens com visualização de contraste diferente (possivelmente a mesma dosagem, mas com aparência visual diferente) usando radiação de energia múltipla. Para a TC, a verdade fundamental é um conjunto de imagens adquiridas com 100% da dose total de contraste da TC. Para o ultrassom, o agente de contraste pode ser, por exemplo, microbolhas. Da mesma forma, as digitalizações podem conter pelo menos uma imagem com certa dosagem de contraste e, opcionalmente, imagens com dosagem variável ou imagens com dosagem mostrada de forma diferente conforme adquirida com diferentes frequências de sonda.

[028] A Figura 3 é uma visão geral esquemática de a fluxo de processamento de imagem. As etapas do fluxo de trabalho detalhado são aplicadas às imagens de contraste múltiplo adquiridas para cada indivíduo. No estágio de aquisição 300, as leituras são realizadas como descrito acima para adquirir uma imagem de zero contraste 306, imagem de baixo contraste 308 e imagem de contraste total 310. Essas imagens de contraste múltiplo passam então pelo estágio de pré-processamento 302. As imagens são então usadas em um estágio de treinamento de aprendizado profundo 304 para treinar uma rede de aprendizado profundo para sintetizar uma imagem de dose total

312. As etapas de pré-processamento incluem co-registro de imagem e normalização de sinal. A normalização é usada para remover a orientação nas imagens obtidas em diferentes níveis de dosagem, o que é realizado usando uma máscara 314 de tecidos não aprimorados. Especificamente, para remover as diferenças sistemáticas entre diferentes níveis de intensidade de sinal em regiões que não aumentam (como gordura no couro cabeludo), é realizado o co-registro e a normalização do sinal com base no valor médio de voxel dentro de uma máscara. Como alternativa, a normalização pode ser baseada na intensidade máxima/mínima das imagens ou em certos percentis. Além disso, a normalização pode se basear na correspondência da distribuição de intensidade a certa distribuição predefinida ou padrão. A máscara pode ser aplicada para calcular o percentual médio, máximo, mínimo, ou a distribuição para obter um melhor desempenho de normalização para corresponder a diferentes conjuntos de imagens. Esta etapa é executada porque os ganhos de transmissão e de recebimento usados para 3 sequências das 3 leituras diferentes não são garantidos. Para TC e ultrassom, o dimensionamento e a normalização também são aplicáveis, pois existem possíveis etapas de redimensionamento de intensidade nos processos de aquisição e armazenamento de imagens.

[029] Após o co-registro e a normalização, as diferenças de sinal restantes entre as imagens de diferentes níveis de contraste estão, em teoria, relacionadas apenas às capturas de contraste e ao ruído de imagem não estrutural, como mostrado na Figura 4, que é uma ilustração do modelo de sinal para sintetizar a imagem de MRI com contraste de dose total 412. Comparado com a captação de contraste de alta qualidade de referência 406 entre pré-contraste 400 e 404 CE-MRI de dose total, a captação de contraste de baixa dose 408 entre o pré-contraste 400 e a baixa dose 402 é ruidosa, mas inclui informações de contraste. Usando um método de aprendizado profundo, aprendemos a remoção do ruído para gerar captação de contraste prevista de alta qualidade 410 e, em seguida, combinamos isso com a leitura de pré-contraste 400 para sintetizar uma imagem de CE-MRI de dose total 412.

[030] Após o pré-processamento, uma rede de aprendizado profundo é treinada usando as imagens fundamentais de CE-MRI de 100% de dose total como as imagens fundamentais de referência. A MRI sem contraste (dose zero) e a CE-MRI de baixa dose de 10% são fornecidas à rede como entradas, e a saída da rede é uma aproximação da CE-MRI de dose total. Durante o treinamento, essa rede aprende implicitamente a remoção de ruído guiada da captação de contraste ruidosa extraída do sinal de diferença entre imagens de baixa dose e sem contraste (dose zero), que podem ser dimensionadas para gerar o aprimoramento do contraste de uma imagem de dose total.

[031] Este modelo é uma rede neural convolucional codificador- decodificador com 3 etapas de codificador 500, 502, 504 e 3 etapas de decodificador 506, 508, 510. Em cada etapa, existem 3 camadas convolucionais conectadas por 3 x 3 Conv- BN-ReLU. As etapas de codificação são conectadas em sequência por 2x2 máxima associação, e as etapas do decodificador são conectadas em sequência por 2 x 2 amostragem para mais. Ignorar as conexões concatenadas 512, 514, 516 combina camadas simétricas para evitar perda de resolução. As conexões residuais 518, 520, 522, 524, 526, 528, 530 permitem que o modelo sintetize uma imagem de dose total ao prever o sinal de aprimoramento 540 a partir de uma diferença entre a imagem de pré-dose 542 e a imagem de baixa dose 544. A função de custo 532 compara a imagem de dose total prevista 534 e a imagem de dose total verdadeira fundamental de referência 536, que permite a otimização dos parâmetros de rede via retropropagação de erro 538.

[032] A arquitetura de rede descrita acima é apenas um exemplo ilustrativo. Outras arquiteturas são possíveis. Por exemplo, a rede pode ter um número diferente de camadas, tamanho da imagem em cada camada e conexões variáveis entre camadas . A função em cada camada pode ser diferente de funções lineares ou não lineares. A camada de saída pode ter uma assim chamada função de ativação diferente, que é mapeada para determinado intervalo de intensidade de saída. Pode haver um número múltiplo de redes concatenadas, a assim chamada rede recorrente, que melhora ainda mais a capacidade que uma única rede pode alcançar.

[033] Em um teste, a rede foi treinada em cerca de 300 fatias 2D dos volumes 3D co-registrados em cada paciente, excluindo as fatias na base do cérebro que tinham baixo SNR e nenhuma informação valiosa para anatomia ou contraste. As transformações rígidas de imagem padrão são usadas para aumentar ainda mais o conjunto de dados em treinamento para garantir a robustez do modelo.

[034] No treinamento, a descida do gradiente estocástico (SGD) foi usada para cada subconjunto de conjuntos de dados de treinamento e a retropropagação é usada para otimizar os parâmetros da rede em relação a uma função de custo que compara as imagens de MRI de dose total previstas e verdadeiras. Em uma modalidade, a função de custo de erro médio absoluto (MAE), também conhecida como perda de L1, é usada no treinamento. O treinamento leva 200 épocas com o método SGD e ADAM para otimização e 10% do conjunto de dados de treinamento com permutações aleatórias foi usado para validação para otimizar hiperparâmetros e escolher o melhor modelo entre todas as iterações. SGD e ADAM também são exemplos de operadores para resolver o problema de otimização no treinamento da rede. Existem muitas outras opções, incluindo, por exemplo, RMSprop e Adagrad. Basicamente, os otimizadores permitem convergência mais rápida e suave.

[035] As funções de perda podem incluir, por exemplo, um mapa de funções da imagem fundamental e do par de imagens previsto para valores de perda definidos. Isso inclui a perda de pixel ou voxel com base nas diferenças de pixel/voxel que geralmente usam perda L1 (erro médio absoluto) ou L2 (erro quadrado médio). Além disso, a perda pode ser com base em regiões com certo tamanho, considerando a semelhança das estruturas, por exemplo, semelhanças estruturais do SSIM. Ou a perda pode ser calculada com base em outras redes treinadas anteriormente ou simultaneamente, as chamadas perdas perceptivas ou perdas adversas, respectivamente. Além disso, a perda pode ser qualquer combinação ponderada arbitrária de muitas funções de perda.

[036] Em um ambiente clínico, a rede de aprendizado profundo treinada é usada para sintetizar uma imagem de dose total a partir de imagens de dose zero e de dose baixa. As imagens co-registradas e normalizadas sem contraste (dose zero) e dose baixa são carregadas dos arquivos DICOM e inseridas na rede treinada. Com o encaminhamento eficiente, que leva cerca de 0,1 s por imagem de 512 por 512, é gerada a imagem de dose total sintetizada. O processo é conduzido para cada fatia 2D para gerar todo o volume 3D e armazenada em uma nova pasta DICOM para posterior avaliação.

Para treinar e testar a rede neural, usamos a estrutura Keras com o backend Tensorflow, CUDA8 e CUDNN5.1, em um servidor Linux com 2 GPUs NVIDIA GTX 1080-TI. Este é apenas um exemplo ilustrativo. Existem muitas implementações alternativas de software e hardware de redes profundas que podem ser usadas.

[037] Nos testes da técnica, as imagens CE-MRI de dose total sintetizadas contêm captação consistente de contraste e aprimoramento semelhante.

Comparações detalhadas para vários casos representativos são discutidas abaixo, demonstrando que o método pode gerar ressonância magnética aprimorada com contraste de dose total sintetizada com aprimoramento consistente, mas usando dose mais baixa (por exemplo, 1/10 da dose total).

[038] Como mostrado na Figura 6, em um paciente com doença metastática intracraniana, a imagem prevista 606 sintetizada a partir de imagem de pré- contraste 600 e a imagem de baixa dose 602 têm realces semelhantes do aprimoramento de contraste nas lesões como imagem de dose total 604. As lesões mostram melhor visibilidade na imagem de contraste total sintetizada 606, embora não possam ser apreciadas com segurança na imagem de CE-MRI de baixa dose 602. Além disso, a imagem de CE-MRI sintetizada 606 mostra um esboço semelhante de uma lesão metastática no cerebelo posterior direito em comparação com a imagem CE-MRI verdadeira de contraste total 604.

[039] Para outro caso em um paciente com neoplasia cerebral, mostrado na Figura 7, a imagem de CE-MRI de dose total sintetizada 706 prevista a partir da imagem de pré-contraste 700 e da imagem de baixa dose 702 mostra captação de contraste semelhante à da imagem de CE-MRI de dose total real 704. Além disso, a qualidade da imagem da imagem de dose total sintetizada 706 é melhor em comparação com a CE-MRI 704 de dose total adquirida, que possui artefatos de movimento e de distorção de serrilhamento mais graves. Surpreendentemente, isso demonstra que os resultados sintetizados têm vantagens adicionais sobre a CE-MRI de dose total original para melhor remoção de ruídos e artefatos, por exemplo, supressão de artefatos de movimento e de distorção de serrilhamento.

[040] No caso de um paciente com desvio programável e hipotensão intracraniana, mostrado na Figura 8, os resultados também demonstram melhor capacidade de supressão de ruído e capacidade consistente de aprimoramento de contraste. O ingurgitamento dos seios durais e o aprimoramento paquimeningeal são vistos claramente na imagem sintetizada 806, prevista a partir da imagem pré-contraste 800 e da imagem de baixa dose 802, e da imagem em dose total fundamental 804, embora haja menos ruído nas regiões de não aprimoramento na imagem sintetizada. Assim, o método gera contraste de qualidade de diagnóstico a partir da aquisição de baixa dose, demonstrando também aprimoramento na supressão de ruído e aprimoramento do contraste.

[041] Os testes do método pelos inventores demonstraram que as imagens de CE-MRI sintetizadas melhoraram significativamente (ambos p < 0,001) em comparação com a imagem de baixa dose em todas as métricas quantitativas com 11,0% de aprimoramentos no SSIM e ganhos de mais de 5,0 dB no PSNR. Comparado com a CE-MRI de dose total adquirida verdadeira, o método proposto não é significativamente diferente (ambos p > 0,05) para a qualidade geral da imagem e a clareza do contraste aprimorado. Comparativamente, as imagens de baixo contraste de 10% são significativamente (p < 0,001) piores na clareza do contraste aprimorado, com uma diminuição de mais de 3 em uma escala de 5 pontos.

[042] Como a Figura 7 e a Figura 8 mostram, e conforme verificado pelas classificações dos neurorradiologistas, as imagens de dose total sintetizadas mostram aprimoramentos significativos (p < 0,05) em relação à CE-MRI adquirida de dose total na supressão de artefatos nas regiões de não aprimoramento, o que era uma vantagem adicional do método DL.

[043] Comparado com a CE-MRI de dose total real, nenhuma diferença significativa (p > 0,05) nas informações de aprimoramentos de contraste pode ser identificada por neuro-radiologistas que não viram a origem da imagem. As imagens de dose total sintetizadas também parecem suprimir melhor os artefatos de imagem (p < 0,05). Isso ocorre porque o sinal de alta intensidade do contraste aprimorado de dose total real aumenta inevitavelmente os artefatos de movimento/distorção de serrilhamento que são melhor suprimidos ao estimar o contraste dos aprimoramentos de contraste de baixa intensidade. O impacto de poder reduzir a dose de contraste em 90% e reter informações de diagnóstico pode ter um grande impacto no bem-estar do paciente e nos custos de imagem.

[044] A modalidade ilustrativa descrita acima usa uma CNN 2D. É possível obter ganhos de desempenho adicionais nos modelos 3D CNN, considerando as informações espaciais correlacionadas em fatias finas adjacentes. Assim, a implementação da presente invenção ilustrada com uma CNN 2D é apenas uma ilustração, e as implementações 3D são previstas dentro do escopo da presente invenção. De maneira mais geral, são previstos os algoritmos 2D (processo de fatia única de imagem),

2.5D (várias fatias de imagem), 3D (volume inteiro) e baseado em patch (corte de volume).

[045] Além disso, os inventores preveem que, com mais conjuntos de dados, modelos mais complicados, mas poderosos, como os modelos generativos, podem ser treinados para melhorar ainda mais a síntese de contraste. Finalmente, embora a perda do MAE seja usada como função de custo para treinar o modelo de DL na modalidade ilustrativa acima, outras funções de perda são previstas, como funções de perda de mistura com similaridades estruturais não locais ou o uso da Rede Adversarial Generativa (GAN) como uma função de custo orientada a dados.

[046] Na modalidade ilustrativa descrita acima, um nível fixo de contraste de gadolínio é usado com 90% de redução a partir do nível de uso clínico original.

[047] Mais geralmente, o termo dose total é utilizado nesse documento para se referir a uma dosagem padrão que permite certa qualidade visual definida.

Geralmente, os contrastes são tratados como fármacos e têm dose total regulada pela FDA que deve ser usada. A dose total significa uma dose padrão recomendada ou requerida pelo FDA ou pelos médicos para obter boa qualidade de diagnóstico.

[048] No entanto, é previsto que uma redução adicional da baixa dose seja viável usando estruturas de rede alternativas e função de perda, usando conjuntos de dados de treinamento maiores com várias patologias, além de outras informações complementares, como ressonância magnética de contraste múltiplo, múltiplas modalidades de imagem e informações do histórico clínico do paciente. Também é previsto que a técnica possa fazer uso de um método baseado em fragmento, em que o tamanho da imagem de entrada possa ser diferente de 128 x 128 x 1. Pode ser qualquer tamanho x × y × z que use um fragmento de tamanho x × y e considere a profundidade/espessura de z.

[049] Também está previsto que níveis de baixa dose superiores a 10% possam ser utilizados. Em geral, é benéfico minimizar a dose sujeita à restrição de que a imagem sintetizada retenha a qualidade do diagnóstico. A dose baixa mínima resultante pode variar dependendo do agente de contraste e da modalidade de imagem. Também é possível basear o treinamento em mais de duas imagens com diferentes níveis de dose e não é necessário incluir uma imagem de dose zero. Em geral, se o conjunto de dados de treinamento tiver um número suficiente de exames emparelhados com dois níveis de dose distintos, a rede poderá ser treinada para generalizar automaticamente para aprimorar a dose mais baixa dbaixa para a dose mais alta dalta, onde o nível mais alto da dose é uma dose total ou menor, e o nível de dose mais baixo é menor que a dose alta, ou seja, 0 ≤ dbaixa <dalta ≤ 1.

[050] Os inventores também preveem a síntese de imagens de doses altas a partir de imagens de dose zero, sem a necessidade de imagens de dose de contraste. As imagens de dose zero, neste caso, incluem várias imagens de MR adquiridas usando sequências diferentes (por exemplo, T1w, T2w, FLAIR, DWI) que mostram aparência/intensidade diferentes de diferentes tecidos. A rede treinada pode prever um

T1w de contraste total sintetizado para ser usado no diagnóstico. Assim, de acordo com esse método, a rede de aprendizado profundo é treinada com uma primeira imagem adquirida com uma primeira sequência de aquisição de imagem e uma segunda imagem adquirida com uma segunda sequência de aquisição de imagem distinta da primeira sequência de aquisição de imagem, na qual a dose zero de agente de contraste é administrada durante a imagem de diagnóstico quando essas imagens são adquiridas.

Além disso, imagens com outras sequências também podem ser usadas. Por exemplo, em uma modalidade, existem cinco imagens com cinco sequências diferentes adquiridas. O treinamento usa uma imagem T1w fundamental de referência adquirida com a dose total de agente de contraste. As imagens são pré-processadas para co-registrar e normalizar as mesmas para ajustar as diferenças de aquisição e dimensionamento. A normalização pode incluir a normalização da intensidade dentro de cada contraste por meio do histograma correspondente à mediana. O pré-processamento também pode incluir a correção do campo de polarização para corrigir a distorção do campo de polarização via o algoritmo N4ITK. O pré-processamento também pode incluir o uso de um classificador treinado (VGG16) para filtrar mais fatias anormais. A rede de aprendizado profundo é preferencialmente uma rede adversária convolucional profunda em 2,5D. Usando a rede treinada, uma primeira imagem e uma segunda imagem obtidas com sequências diferentes são usadas como entrada para a rede de aprendizado profundo (DLN), que gera como saída uma imagem sintetizada do agente de contraste de dose completa do indivíduo.

Claims

Reivindicações

1. Método para treinar um dispositivo de diagnóstico por imagem para realizar uma imagem para diagnóstico médico com uma dose reduzida de agente de contraste, o método caracterizado pelo fato que compreende as etapas de: a) realizar um diagnóstico por imagem de um conjunto de indivíduos para produzir um conjunto de imagens que compreende, para cada indivíduo do conjunto de indivíduos,(i) uma imagem de contraste total adquirida com uma dose total de agente de contraste administrada ao indivíduo, (ii) uma imagem de baixo contraste adquirida com uma baixa dose de agente de contraste administrada ao indivíduo, onde a baixa dose de agente de contraste é menor do que a dose total de agente de contraste, e (iii) uma imagem de zero contraste adquirida sem nenhuma dose do agente de contraste administrada ao indivíduo; b) pré-processar o conjunto de imagens para co-registrar e normalizar o conjunto de imagens para ajustar as diferenças de aquisição e dimensionamento entre diferentes leituras; c) treinar a rede de aprendizado profundo (DLN) com o conjunto de imagens pré-processadas por aplicar imagens de zero contraste a partir do conjunto de imagens e imagens de baixo contraste a partir do conjunto de imagens como entrada para a DLN e usando uma função de custo para comparar a saída da DLN com imagens de contraste total a partir do conjunto de imagens para treinar os parâmetros da DLN usando retropropagação.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato que a função de custo é uma função de perda de MAE ou uma função de perda de mistura com similaridades estruturais não locais.

3. Método de imagem para diagnóstico médico com dose reduzida de agente de contraste, o método caracterizado pelo fato que compreende: a) realizar diagnóstico por imagem de um indivíduo para produzir uma imagem de baixo contraste adquirida com uma baixa dose de agente de contraste administrada ao indivíduo, onde a baixa dose de agente de contraste é menor do que a dose total de agente de contraste, e uma imagem de zero contraste adquirida sem nenhuma dose do agente de contraste administrada ao indivíduo; b) pré-processar a imagem de baixo contraste e a imagem de zero contraste para co-registrar e normalizar as imagens para ajustar as diferenças de aquisição e dimensionamento; c) aplicar a imagem de baixo contraste e a imagem de zero contraste como uma entrada para uma rede de aprendizado profundo (DLN) para gerar como saída da DLN a imagem de agente de contraste de dose total sintetizada do indivíduo; em que a DLN foi treinada por aplicar imagens de zero contraste e imagens de baixo contraste como entrada e imagens de contraste total como imagens de referência fundamental.

4. Método, de acordo com a reivindicação 3, caracterizado pelo fato que a baixa dose de agente de contraste é menor do que 10% da dose total de agente de contraste.

5. Método, de acordo com a reivindicação 3, caracterizado pelo fato que realizar diagnóstico por imagem compreende realizar angiografia, fluoroscopia, tomografia computadorizada (CT), ultrassom, ou imagem de ressonância magnética.

6. Método, de acordo com a reivindicação 3, caracterizado pelo fato que realizar diagnóstico por imagem compreende realizar imagem de ressonância magnética, e a dose total de agente de contraste é no máximo 0,1 mmol/kg de contraste com Gadolínio para MRI.

7. Método, de acordo com a reivindicação 3, caracterizado pelo fato que a DLN é uma rede neural convolucional de codificador-decodificador (CNN) que inclui desviar conexões concatenadas e conexões residuais.

8. Método de imagem para diagnóstico médico, o método caracterizado pelo fato que compreende: a) realizar diagnóstico por imagem de um indivíduo para produzir uma primeira imagem adquirida com uma primeira sequência de aquisição de imagem e uma segunda imagem adquirida com uma segunda sequência de aquisição de imagem distinta a partir da primeira sequência de aquisição de imagem, onde zero dose de agente de contraste é administrada durante a diagnóstico por imagem;

b) pré-processar a primeira imagem e a segunda imagem para co-

registrar e normalizar as imagens para ajustar as diferenças de aquisição e dimensionamento;

c) aplicar a primeira imagem e a segunda imagem como uma entrada para uma rede de aprendizado profundo (DLN) para gerar como saída da DLN a imagem de agente de contraste de dose total sintetizada do indivíduo;

em que a DLN foi treinada por aplicar imagens de zero contraste com diferentes sequências de imagem como entrada e imagens de contraste total adquirida com a dose total de agente de contraste como imagens de referência fundamentais.