Registro de imágenes no rígido consciente de la atención para la obtención acelerada de imágenes por RM

La estimación precisa del movimiento a altos factores de aceleración permite una reconstrucción rápida con compensación de movimiento en imágenes de Resonancia Magnética (RM) sin comprometer la calidad diagnóstica de la imagen. En este trabajo, introducimos un marco basado en aprendizaje profundo consciente de la atención que puede realizar el registro par a par no rígido para RM completamente muestreada y acelerada. Extraemos representaciones visuales locales para construir mapas de similitud entre los pares de imágenes registradas a múltiples niveles de resolución y, adicionalmente, aprovechamos información contextual de largo alcance utilizando un módulo basado en transformadores para aliviar ambigüedades en presencia de artefactos causados por submuestreo. Combinamos dependencias locales y globales para realizar estimaciones de movimiento simultáneas, tanto gruesas como finas. El método propuesto fue evaluado en datos completamente muestreados y acelerados adquiridos in-house de 101 pacientes y 62 sujetos sanos sometidos a RM cardiaca y torácica. Se analizó el impacto de la precisión de la estimación del movimiento en la tarea posterior de reconstrucción con compensación de movimiento. Demostramos que nuestro modelo deriva campos de movimiento fiables y consistentes a través de diferentes trayectorias de muestreo (cartesianas y radiales) y factores de aceleración de hasta 16x para el movimiento cardíaco y 30x para el movimiento respiratorio, logrando una calidad de imagen superior en la reconstrucción con compensación de movimiento cualitativa y cuantitativamente en comparación con enfoques convencionales y recientes basados en aprendizaje profundo. El código está disponible públicamente en https://github.com/lab-midas/GMARAFT.