Synteza i granice wnioskowanej informacji

Zapytaj, co rzeczywiście zawiera źródło

Poprzednie części pokazały, dlaczego obraz MR nie jest po prostu fotografią o stabilnej skali jasności. Stanowi wynik określonego toru przygotowania, czasów, próbkowania i rekonstrukcji. Fakt ten daje precyzyjny sposób interpretowania twierdzeń o syntezie obrazu: zanim zapytasz, czy wynik wygląda realistycznie, ustal, które informacje docelowe były rzeczywiście obecne w źródle, a którą część trzeba wywnioskować.

Rozważ cztery częste rodziny zadań. Odszumianie zaczyna się od pomiaru kontrastu docelowego, którego sygnał został zdegradowany przez szum lub inne znane ograniczenie. Model nadal może usunąć małą zmianę chorobową lub wygładzić granicę, dlatego wierność wyniku docelowego nie jest automatyczna, ale zadanie formułuje się jako odzyskanie zdegradowanej obserwacji. Translacja T2 do T1 lub T2 do STIR zaczyna się od tej samej ogólnej anatomii, lecz wymaga innego kontrastu. Wspólna anatomia pomaga, jednak jeden kontrast źródłowy nie wyznacza jednoznacznie kontrastu docelowego, dlatego wynik pozostaje oszacowaniem niewykonanego pomiaru.

Synteza CT z MRI wymaga informacji związanych z osłabieniem promieniowania rentgenowskiego lub gęstością elektronową, których MRI nie mierzy bezpośrednio. W zastosowaniach takich jak planowanie radioterapii na podstawie MRI syntetyczne CT może mieć dostarczyć obraz odpowiedni do procedury obliczania osłabienia lub dawki. Anatomia jest obserwowana za pomocą MRI, natomiast docelową wielkość fizyczną wnioskuje się ze wskazówek widocznych w MR oraz zależności wyuczonej na danych sparowanych lub innych odpowiednich danych.

Translacja T1 sprzed podania środka kontrastowego do T1 po jego podaniu wyznacza jeszcze inną granicę. Badanie sprzed podania zawiera anatomię i sygnał wyjściowy, ale nie zawiera późniejszego rozkładu podanego środka kontrastowego. Model może nauczyć się zależności, które nadają przewidywanemu obrazowi pokontrastowemu wiarygodny wygląd; nie może jednak przekształcić tego przewidywania w pomiar wzmocnienia, którego nigdy nie zarejestrowano.

Rodzina zadań	Co jest wspólne z celem	Co pozostaje wnioskowane
Odszumianie	pomiar kontrastu docelowego obciążony degradacją	czysty sygnał i zachowanie małych zmian
T2 do T1 lub STIR	anatomia i powiązane obserwacje MR	kontrast sekwencji docelowej i jego niezmierzone szczegóły
MRI do syntetycznego CT	anatomia i wskazówki widoczne w MR	informacje związane z osłabieniem/gęstością elektronową
T1 sprzed podania do T1 po podaniu środka kontrastowego	anatomia i sygnał wyjściowy	rozkład środka kontrastowego i wzmocnienie

Tabela służy do określenia granicy informacyjnej, a nie do tworzenia uniwersalnego rankingu ryzyka zadań. W każdym wierszu wynik trzeba traktować jako warunkowe oszacowanie, którego trafność zależy od akwizycji, populacji treningowej, sposobu parowania danych i założeń rekonstrukcji.

Realistyczne piksele nie rozstrzygają sprawy

Obraz syntetyczny może wyglądać przekonująco, a jednocześnie zmieniać anatomię, przesłaniać patologię, modyfikować pomiar ilościowy lub dostarczać dalszemu modelowi mylących cech. Metryki podobieństwa pikseli lub percepcyjnego mogą opisywać jeden aspekt wyniku, ale same nie dowodzą zachowania zmiany chorobowej, odtworzenia mierzonej właściwości ani utrzymania trafności zadania klinicznego.

Ocena powinna zatem zadawać kilka oddzielnych pytań. Czy anatomia jest zgodna ze źródłem i z niezależnie dostępnym punktem odniesienia? Czy patologia została zachowana, bez usunięcia ani dodania? Czy objętości, intensywności lub pomiary radiomiczne są zgodne, gdy obrazy syntetyczne i pozyskane porównuje się według uprzednio określonej procedury? Czy dalsze zadanie lub czytelnik może wykorzystać obraz syntetyczny bez utraty, którą ukryłaby metryka pikselowa? Czy metoda ujawnia niepewność lub przypadki niepowodzenia, gdy wymagana informacja docelowa jest niejednoznaczna? Wreszcie, czy ocena przetrwała zmianę akwizycji lub ośrodka, której nie wykorzystano do strojenia metody?

Pytania te są szczególnie ważne w syntezie obrazu sprzed podania środka kontrastowego do obrazu po jego podaniu. Braku zmierzonego wzmocnienia nie naprawiają ostry obraz, mały błąd rekonstrukcji ani pewny wynik modelu. Jeśli cel zawiera informację, której źródło nie pozwala rozróżnić, model może utworzyć najbardziej prawdopodobny wygląd dla swojej populacji treningowej zamiast niezmierzonego stanu pacjenta. Właściwe twierdzenie dotyczy więc działania i ograniczeń procedury wnioskowania, a nie odzyskania pomiaru, który nigdy się nie odbył.

Granica pomiarowa rozdziału

Ten sam nawyk interpretacyjny stosuje się do każdej publikacji o syntetycznym MRI. Odtwórz akwizycje źródłową i docelową, określ wspólne informacje, a następnie oddziel podobieństwo obrazu od dowodów dotyczących anatomii, patologii, ilościowości, zadania, niepewności i przenoszalności. Powodzenie metody w jednej z tych kwestii nie oznacza automatycznie powodzenia w pozostałych.

MRI doprowadziło w ten sposób rozdział z powrotem do ogólnego problemu pomiaru. Sygnał staje się kontrastem poprzez protokół, kontrast staje się obrazem poprzez próbkowanie i rekonstrukcję, a syntetyczny cel może dodać do tego warstwę wnioskowania. Zanim analityk będzie mógł zaufać wartości, obraz musi być również reprezentowany i zapisany wraz z informacją wystarczającą do interpretacji jego pikseli. Jest to temat punktu wyjścia rozdziału 3 „Od zapisanych wartości do znaczenia fizycznego”.

Źródła

• Spadea et al., „Deep learning based synthetic-CT generation in radiotherapy and PET: A review” — publiczny przegląd ujęcia problemu syntetycznego CT z MR i zastosowań w radioterapii/PET; pozycja indeksowana również jako PMID 34407209.
• Smith TE, Steven A, Bagert BA. Gadolinium Deposition in Neurology Clinical Practice. Ochsner J. 2019;19:17-25. doi:10.31486/toj.18.0111. (Pełny tekst)
• Heckel R, Jacob M, Chaudhari A, Perlman O, Shimron E. Deep learning for accelerated and robust MRI reconstruction. Magn Reson Mater Phy. 2024;37:335-368. doi:10.1007/s10334-024-01173-8. (Pełny tekst)
• Bahloul MA, Jabeen S, Benoumhani S, et al. Advancements in synthetic CT generation from MRI: A review of techniques, and trends in radiation therapy planning. J Appl Clin Med Phys. 2024;25:e14499. doi:10.1002/acm2.14499. (Pełny tekst)
• Wang T, Lei Y, Fu Y, et al. A review on medical imaging synthesis using deep learning and its clinical applications. J Appl Clin Med Phys. 2021;22:11-36. doi:10.1002/acm2.13121. (Pełny tekst)
• Cohen JP, Luck M, Honari S. Distribution Matching Losses Can Hallucinate Features in Medical Image Translation. MICCAI 2018:529-536. doi:10.1007/978-3-030-00928-1_60. (Manuskrypt autorski)
• Chung M, Calabrese E, Mongan J, et al. Deep Learning to Simulate Contrast-enhanced Breast MRI of Invasive Breast Cancer. Radiology. 2023;306:e213199. doi:10.1148/radiol.213199. (Pełny tekst)