Вестник Военного инновационного технополиса «ЭРА», 2022, T. 3, № 4, стр. 438-442

1. Стандартный алгоритм

“Сбор данных поля” – на этом шаге проводится выбор данных, описывающих неоднородности магнитного поля, вызванные присутствием участника исследования в рабочем пространстве томографа.

“Картирование магнитного поля” – создание карты искажений магнитного поля при помощи инструмента FieldMap (источник – SPM12). В работах Джеспера [6], Дженкинсона [7], Джеззарда [8] и Хаттона [9] описываются соответственно возможность решения обратной задачи вычисления неоднородностей поля на основании эхопланарных изображений объекта, метод коррекции искажений, вносимых статическими неоднородностями магнитного поля, на основании карты магнитного поля, метод автоматического для N-мерного развертывания карт фазы, методы для получения данных и расчета карт поля, а также последующие эффекты применения карт к временным рядам изображений. Указанные подходы используются в работе инструмента FieldMap. Алгоритм, используемый в программе, проводит преобразование карты поля в карту смещения пикселей:

где γ – гиромагнитное соотношение, B₀ – магнитная индукция постоянного магнитного поля в томографе, N – число строк матрицы K-пространства, ${{{{\tau }}}_{{ramp}}}$ – время переключения градиентов, DW – время регистрации среза.

“Расчет и коррекция артефактов движения” – проводится выравнивание изображений друг относительно друга методом наименьших квадратов и шестипараметрическими преобразованиями твердого тела. Метод основан на работах [10, 11], в которых рассмотрено и описано содержание подхода по обработке данных, искаженных неизбежными перемещениями субъекта внутри томографа. Статистический анализ сигнала проводится на основании обобщенной линейной модели, заключающейся в представлении сигнала в виде линейной комбинации двух компонент: полезного сигнала, а также ошибки – искажения, вызванного движением. В результате полезная компонента выражается через исходный сигнал, а также матрицу параметров смещения, рассчитываемых для каждого изображения. В [11] для нахождения метода устранения артефактов движения сигнала фМРТ решена задача выравнивания двух изображений друг относительно друга c точностью до скалярного множителя β скалярных функций вектора расположения в пространстве τ(x) и Ω(x). Функция Ω разлагается в ряд Тейлора как

где $G \approx \left[ {\tau ~ - \frac{{\partial \Omega }}{{\partial {\mathbf{\gamma }}}}} \right]$, γ – вектор параметров преобразования твердого тела, а b – приближение β.

Способ вычисления γ:

чем можно перейти к коррекции артефактов движения. Далее сигнал можно описать в виде суперпозиции полезного сигнала X*- и Q-матрицы параметров смешения γ_i, где γ – это вектор столбец параметров γ_i, вычисляющийся из уравнения (3). Можно прийти к следующему выражению для функции полезного сигнала:

“Применение карты искажений поля к фМРТ-данным” – выполняется перераспределение значений вокселей в данных фМРТ на основании карты стационарных искажений магнитного поля, представляющей собой матрицу пространственного распределения плотности потока сигнала фМРТ.

“Коррекция времени получения срезов” – сдвиг фазы в фурье-представлении сигналов соседствующих срезов данных МРТ для получения изображения в “единый момент времени” (как будто срезы были получены одномоментно).

“Создание маски тканей мозга” – применяется автоматический инструмент для сегментации скана головы субъекта на ткани мозга. Это достигается путем выполнения вычисления грубых пороговых значений интенсивности, бинаризация на их основе для определения “центра масс” мозга, грубое вычисление радиуса мозга на изображении для инициализации процесса генерации модели мозга и тесселяция модели до тех пор, пока не будет получен удовлетворительный результат [12].

“Применение маски к фМРТ данным” – выделение сегмента, соответствующего тканям мозга, применяя ранее полученную маску к обрабатываемым данным фМРТ. Этот шаг необходим для корректной нормализации объема в пространство Montreal Neurological Institute (MNI) и дальнейшего статистического анализа изображений.

“Нормализация сканов в пространство MNI” – пространственная нормализация путем сегментации и выравнивания афинными преобразованиями объемов фМРТ относительно шаблонного MNI152, полученного в Монреальском неврологическом институте.

“Гауссово сглаживание” – сглаживание полученных изображений по Гауссову ядру с шириной на полувысоте, равной 6 мм.

2. Расширенный алгоритм с использованием ICA-AROMA

В дополнение ко всем операциям из стандартного алгоритма расширенный алгоритм содержит следующий узел.

“Коррекция артефактов движения с помощью ICA-AROMA” – метод коррекции изображений, минимально влияющий на автокорреляцию данных, не требующий дополнительных настроек классификаторов коррекции, а также сохраняющий много больше степеней свободы в данных по сравнению с существующими методиками, получая тем самым преимущество перед последними. Ключевыми шагами работы ICA-AROMA [13] являются: автоматическое формирование набора независимых компонент, сверка их с критериями присутствия эффектов перемещения, регрессия выделенных компонент из общего массива данных.

В конце обработки выводятся итоговые файлы в заранее определенную директорию.

Для объективного сравнения качества данных, полученных в результате обработки программой исходных объемов, с обработанными существующими программными комплексами будем использовать методику, предложенную в [14]. Анализ при помощи этого метода позволяет выявить, какой из инструментов обработки показывает более высокую чувствительность к полезному сигналу и точность его локализации.