La adquisición de imágenes por resonancia magnética

Cuando una persona ingresa a un centro clínico, y se hace una resonancia de cerebro, luego le suelen
entregar una imagen que representa su tejido, que muestra diferencias de brillo (de blanco a negro en una
escala de grises, siendo blanco máxima intensidad de señal) de acuerdo al tipo de sustancia que se
represente. Por ejemplo, las secuencias de resonancia magnética T1 son útiles para detectar placas de
esclerosis múltiple, porque su intensidad de señal permite distinguirlas en la sustancia blanca. Vale decir
que la imagen de resonancia magnética (IRM) que se entrega a la persona es en realidad una
representación de una matriz: una disposición rectangular de valores, como una grilla cuadriculada,
donde cada ubicación de la grilla contiene un valor de intensidad de señal. Cuando se observa una IRM,
es evidente que la disposición de los valores tiene correspondencia geográfica con el cerebro de la
persona, es decir, lo representan punto a punto.
Sin embargo, el resonador en el que ingresó la persona no adquiere una matriz donde los valores de cada
ubicación se corresponden geográficamente de forma directa con el cerebro de la persona. El resonador
adquiere un k-space, que contiene información acerca de las señales que emitieron los átomos del
cerebro de la persona durante la adquisición. Es clave para entender este proceso que esta señal puede
modelarse como una onda sinusoidal (conviene para esto ver una imagen de este tipo de onda, similar a
~; es un ciclo de variación de señal que tiene un mínimo, una aumento progresivo, un máximo, un
decremento progresivo, nuevamente el mínimo, etc.). La onda es un modelo sumamente útil porque
numerosos fenómenos son de naturaleza cíclica, y permite describirlos con una reducida cantidad de
valores, aunque puedan extenderse vastamente en el tiempo (por ejemplo, el sonido de la turbina de un
avión) o el espacio (las plantaciones de olivos en las afueras de Córdoba de España).
Como dijimos antes, para alcanzar una representación del tejido debemos tener variaciones de la
intensidad de señal en el espacio, con distintos valores para distintos tipos de sustancia. Obtendremos
estas complejas variaciones de señal sumando múltiples variaciones de señal más sencillas. En general,
la siguiente intuición puede servir: supongamos que tenemos rodillos para pintar una pared blanca y
tenemos pintura negra. Lamentablemente, todos los rodillos tienen una mitad rota. Cuando los hacemos
girar sobre la pared, sólo pintan de un lado. Este será nuestro ejemplo sencillo de señal sinusoidal,
suponiendo que el lado que pinta es nuestra máxima señal, y el lado que no la mínima. Si queremos
pintar la pared por completo de un color, basta con tomar el rodillo más grande, hacerlo pasar una vez
comenzando desde un extremo por el lado que pinta, y luego hacerlo pasar de nuevo comenzando desde
el mismo extremo por el lado que no pinta. Las partes que habían quedado sin pintar se pintarán, sin
modificar las ya pintadas. Sin embargo, si queremos realizar un mural, más complejo, necesitaremos
rodillos de distintos tamaños, hacerlos rodar en distintas direcciones, colocarles más o menos pintura, y
hacerlos rodar comenzando desde distintas partes de cada rodillo. Una importante restricción absurda
que es útil para esta explicación es que sólo podamos hacer girar el rodillo empezando por los límites de
la pared.

La información de la matriz de k-space

Un k-space es una matriz de dos dimensiones (filas y columnas) que codifica frecuencias espaciales de
señal (FES) que compondrán una IRM. Una frecuencia comúnmente refiere a la velocidad con que un
fenómeno cíclico se repite. Sin embargo, las FES son ciclos por unidad de espacio, por ejemplo, ciclos
de señal por metro. Si vemos las dunas de Puerto Madryn, la acumulación de arena sigue un patrón
aproximadamente cíclico del que podemos detectar una frecuencia con la que alcanza sus mínimas y
máximas alturas. Las olas del mar que vemos desde la playa en un momento determinado (por ejemplo,
en una foto) son otro ejemplo cercano.
Las FES se componen de frecuencia, dirección, amplitud y fase. Estos componentes son variables que
describen una característica de la FES, cada una aporta una información diferente, y permiten realizar
una 'contribución' a la IRM distinta. Retomando el ejemplo de los rodillos y la pared, diremos que la
IRM es nuestro mural complejo, la frecuencia es cuántos giros hace cuando lo hacemos pasar por la
pared (su tamaño está inversamente relacionado), la dirección es en qué sentido lo hacemos girar (arriba-
abajo, izquierda-derecha, de formas oblicuas), la amplitud es cuánta pintura negra le ponemos, y la fase
es sobre qué parte del rodillo comenzamos a girar a este sobre la pared.
Cada ubicación de la matriz del k-space nos dirá qué rodillo usar (frecuencia) y cómo usarlo (dirección,
amplitud, fase). Los dos primeros componentes están codificados en las ubicaciones de la matriz. Es
decir, a cada ubicación le corresponden ciertos valores de frecuencia y dirección de forma estandarizada.
En otros términos, en las coordenadas X e Y de la matriz están codificados estos dos componentes. Por
otro lado, la amplitud y la fase son valores adquiridos, que se colocan en cada ubicación de la matriz con
independencia de dónde se encuentre. Si usamos la analogía de la foto de las olas, la frecuencia será la
distancia entre cada ola, la dirección será la orientación de las olas con respecto a nosotros (por ejemplo,
si estamos en la playa y hay viento desde el mar, serán perpendiculares a nuestra vista), la amplitud será
la diferencia entre las alturas mínimas y máximas del mar en cada ciclo de ola, y la fase será una
indicación del momento del ciclo en que hemos tomado la foto. Tal vez este último sea el concepto más
difícil de entender; si hemos tomado una foto del romper de las olas en la playa, podemos pensar que si
queremos una descripción completa de las olas también necesitamos saber si al momento de tomar la
foto estaban golpeando contra la arena, se estaban retirando hacia el mar, o estaban formando la cresta.
Entender cómo las FES pueden sumarse para generar una imagen compleja es crucial. Primero debe
conocerse qué variaciones de señal sencillas pueden codificar los componentes de una frecuencia
espacial. Retomemos la analogía de la fotografía del mar. Ahora, tomaremos una fotografía al mar
oleado desde arriba, como si lo sobrevolásemos. Supongamos que queremos describir el oleaje
fotografiado a alguien. Una primera opción sería adoptar un criterio matricial: le diremos que
dividiremos la fotografía en una cuadrícula de por ejemplo 8x8, y luego mencionaremos qué vemos en
cada cuadrado (por ejemplo, altura mínima de la ola, paralela al eje horizontal de la fotografía). Para esta
descripción necesitaríamos 64 valores. Sin embargo, si asumimos, es decir damos por verdadero, que la
altura del oleaje en la fotografía se comporta como una onda sinusoidal en el espacio, podemos
describirla con muchos menos valores. Recordemos que una onda sinusoidal es cíclica: alcanza su
intensidad (altura en nuestro ejemplo) máxima, luego decrece progresivamente hasta alcanzar su
intensidad mínima, e incrementa progresivamente para luego reiniciar el ciclo. Entonces, parece que
ajusta bastante bien a las olas que vemos.
¿Cómo podremos describir la altura del oleaje en función del espacio de la fotografía con los cuatro
componentes que dijimos antes? Si decimos que posee una frecuencia alta, es porque vemos numerosas
olas en la imagen, el ciclo se repite seguidamente, mientras que una frecuencia extremadamente baja
puede significar hasta una sola ola (ciclo). La dirección de las olas será un valor que indique la
orientación del oleaje respecto al eje horizontal de la fotografía (por ejemplo, hubiera sido
aproximadamente perpendicular si hubiésemos sacado la foto desde la playa). Una fase mínima significa
que en el centro de nuestra fotografía la ola alcanza su punto máximo de altura, y a medida que
incrementamos la fase 'avanzamos' la ola en el sentido perpendicular a la dirección, de modo que un
valor intermedio de fase dejaría el punto mínimo de altura en el centro de la fotografía. Un lector atento
notará que la fase es un valor circular (de hecho habitualmente suele representarse en radianes o en
grados), porque al seguir incrementándolo volveremos a colocar el punto máximo de la siguiente ola en
el centro de nuestra fotografía, y dado que asumimos que todas las olas son iguales (propiedad del ciclo)
no habremos afectado en absoluto la descripción de la foto. Finalmente, la amplitud simplemente nos
dirá qué tan altas-bajas son las ondulaciones de las olas.
En el k-space, la frecuencia está codificada como distancia desde cada ubicación hacia el centro de la
matriz. Las ubicaciones cercanas al centro de la matriz tienen frecuencias bajas, y las más próximas a los
límites, frecuencias altas. La dirección está codificada como el vector que se puede formar entre el
centro de la matriz hacia la ubicación. Es importante saber que la amplitud de la FES se traducirá luego a
la intensidad de señal de nuestra IRM.

Artefacto de anillos de Gibbs y su corrección

Entonces, cada una de estas ubicaciones de la matriz contiene los valores necesarios para generar una
FES (con la explicación dada hasta ahora, de dos dimensiones). La suma de todas las FES generará la
IRM. Por ejemplo, supongamos que hemos escaneado de forma transversal (a lo largo) una botella de
agua, poniéndola recostada en el centro de la camilla. ¿Qué FES ‘necesitaremos’ para obtener una IRM
que la represente? En primer lugar, debemos tener una FES de elevada amplitud y baja frecuencia que
determine que hay elevada señal en el centro y baja señal a sus costados. Con la analogía del mar,
necesitaremos una ola que alcance una altura elevada en el centro de la IRM, de baja frecuencia para que
sólo tenga un pico y no repita la señal alta a izquierda y derecha de la botella (recordar que son ciclos).
La dirección de la FES debe ser paralela a botella. Por último, la fase debe indicar que el pico de señal se
alcanza en el centro de la IRM, y no a sus lados. Progresivamente, pueden añadirse otras FES de menor
amplitud y mayor frecuencia, para lograr mayor resolución espacial en los bordes de la botella. Nótese
que entonces estaríamos alejándonos del centro de la matriz. Las frecuencias altas logran una transición
aguda entre dos regiones. Si tomamos esa zona de contraste, y graficamos su señal en función del
espacio, lo ideal sería tener señal baja constante – aumento brusco (sin una región de señal intermedia) –
señal alta constante. La necesidad de frecuencias altas puede analogarse a la percepción del ruido de un
ventilador de acuerdo a su velocidad; si va lento percibiremos los ciclos y los diferentes sonidos de cada
etapa de los mismos (generando regiones de señal intermedia), si va rápido, percibiremos un sonido
constante, indiferenciado. La utilización de frecuencias más bajas (‘lentas’) que las necesarias hacen que
la transición sea errónea, provocando dos artefactos: (1) los ‘overshoots’ ocurren en las zonas más
próximas al cambio de intensidad de señal, se observa en la zona de señal alta una intensidad aún mayor
y en la zona de señal baja una intensidad aún menor; (2) los ‘undershoots’ ocurren en la zona entre la
zona del ‘overshoot’ o ‘undershoot’ y la zona de señal constante, se observa en la zona de señal alta una
intensidad ligeramente menor y en la zona de señal baja una intensidad ligeramente mayor. Al ver
imágenes de este artefacto, como las publicadas en Veraart et al. (2016), se puede notar claramente el
patrón de onda del artefacto: decremento artificial, incremento artificial (overshoot), decremento
artificial (undershoot), incremento artificial, que se corresponden a la frecuencia baja utilizada. Este
fenómeno físico-matemático, que distorsiona las imágenes por resonancia magnética y disminuye la
validez de las cuantificaciones que estas permiten se llama artefacto de anillos de Gibbs.
Existe una ‘familia’ de métodos de corrección de estos artefactos que utilizan algoritmos de suavizado.
El suavizado es una técnica de interpolación de valores de los vóxeles que componen una IRM, donde el
valor de cada vóxel se recalcula, ponderando los valores de los vóxeles que lo rodean. Este tipo de
algoritmos permiten eliminar los over- y under- shoots (sub y sobre estimaciones de la señal), porque los
promedian con las zonas de señal constante antes mencionadas. Sin embargo, suelen introducir a su vez
una representación errónea del tejido subyacente porque provocan el artefacto staircase (escalera), cuya
denominación significa a los valores de señal intermedios que se generan entre los distintos tejidos
(similar al artefacto de volumen parcial). En la aplicación de estos algoritmos juega un rol fundamental
el parámetro lambda, que define cuánto conservaremos de nuestra señal original luego del suavizado, es
decir, qué tanto estamos dispuestos a promediar señal entre vóxeles vecinos. Este parámetro puede ser
optimizado para una IRM utilizando el criterio de discrepancia de Morozov. En términos sencillos, este
criterio toma la señal de la imagen, una indicación del investigador sobre qué se considera ruido (una
estimación previa), y entrega un valor de lambda que permita conservar lo máximo posible de la imagen
a la vez que eliminar los artefactos presentes en la misma.