pyMEAL: A Multi-Encoder Augmentation-Aware-Learning Toolbox for Robust Medical Image Translation

Resumen Técnico: pyMEAL – Un Toolbox de Aprendizaje Consciente de la Aumentación mediante Multi-Codificadores para la Traducción Robusta de Imágenes Médicas

Planteamiento del Problema
La imagenología médica es fundamental para el diagnóstico clínico, sin embargo, el despliegue de métodos avanzados impulsados por IA enfrenta obstáculos significativos, incluyendo la variabilidad del paciente, los artefactos de imagen y una robustez limitada ante diferentes condiciones de adquisición. Si bien el aprendizaje profundo ha transformado tareas como la detección de lesiones y la segmentación, la imagenología médica 3D sigue estando limitada por la escasez de datos y la heterogeneidad derivada de las diferencias entre escáneres, protocolos de adquisición y movimiento del paciente. Las estrategias de aumentación de datos convencionales, que dependen de canales de transformación únicos (por ejemplo, rotación, inversión, cambios de intensidad), a menudo pasan por alto las características únicas de cada aumentación individual. En contextos médicos, donde la precisión anatómica es crítica, estos enfoques uniformes pueden introducir artefactos irreales o de oscurecer características diagnósticas, comprometiendo finalmente la generalizabilidad del modelo y su utilidad clínica. Los marcos de trabajo existentes conscientes de la aumentación suelen sufrir de complejidad arquitectónica o no logran aprovechar la diversidad inducida por la aumentación para el aprendizaje de características anatómicas en tareas de traducción transmodal.

Metodología
Los autores proponen MEAL (Multi-Encoder Augmentation-Aware Learning), un marco diseñado para tratar la aumentación de datos no como ruido estocástico, sino como la generación de vistas anatómicas diversas y complementarias. El núcleo de MEAL es una arquitectura de multi-codificador que procesa múltiples variantes de aumentación a través de vías dedicadas antes de fusionarlas para la decodificación.

El estudio implementa y evalúa cinco configuraciones de modelos específicos para aislar las contribuciones de diferentes estrategias de fusión:

1. Sin Aumentación (NA): Una red de flujo único base entrenada con entradas crudas y sin alteraciones.
2. Aumentación Tradicional (TA): Una red de flujo único que aplica transformaciones espaciales y geométricas estándar durante el preprocesamiento.
3. Concatenación de Multi-Codificadores (CC): Utiliza cuatro ramas de codificador paralelas y no compartidas para procesar distintos tipos de aumentación (inversiones, rotaciones, recortes, variaciones de intensidad). Las características se fusionan mediante una simple concatenación por canales.
4. Capa de Fusión de Multi-Codificadores (FL): Procesa cuatro flujos pre-aumentados a través de redes codificadoras independientes. Las características se fusionan utilizando una capa de fusión paramétrica que involucra un cuello de botella convolucional aprendido de $1\times1\times1$ para reducir la dimensionalidad y aprender correlaciones espaciales.
5. Bloque Constructor de Multi-Codificadores (BD): La configuración óptima propuesta. Reemplaza las entradas estáticas pre-aumentadas con módulos de aumentación diferenciables y aprendibles integrados directamente en el grafo computacional. Un único codificador compartido procesa todas las variantes. Crucialmente, una red controladora dinámica calcula los pesos de atención ($\alpha_k$) mediante una función softmax sobre las características de agrupación promedio global. Esto permite al modelo ponderar dinámicamente las características específicas de la aumentación de forma jerárquica, suprimiendo transformaciones irrelevantes y amplificando las informativas. El decodificador reconstruye entonces la salida utilizando estas características fusionadas y ponderadas.

El marco emplea una arquitectura tipo U-Net con Bloques Residuales Refinados (RRB). El estudio se centra en la traducción de CT a RM ponderada en T1, una tarea crítica para entornos donde la RM no está disponible o está contraindicada (por ejemplo, imágenes de emergencia, entornos con recursos limitados). Los modelos fueron entrenados con 204 volúmenes pareados CT-RM del conjunto de datos OASIS-3, con validación en 51 escaneos adicionales y pruebas externas en los conjuntos de datos RIRE y PPMI.

Contribuciones Clave

• La Aumentación como Vistas Anatómicas: El artículo redefine la aumentación de una simple inflación de datos a un "marco de desentrelazamiento anatómico", donde las aumentaciones son tratadas como características fisiológicas aprendibles.
• Fusión Impulsada por Controlador Dinámico: La variante BD introduce un cambio de paradigma al utilizar un controlador diferenciable y aprendible para ponderar dinámicamente las características de diferentes flujos de aumentación. Esto permite la optimización de extremo a extremo tanto de los parámetros de aumentación como de los pesos de las características, una capacidad ausente en los métodos de fusión estática como CC o FL.
• Robustez ante la Variabilidad Clínica: Al priorizar la fidelidad estructural sobre el realismo perceptual, el marco está diseñado para apoyar la interpretación clínica y el análisis downstream (por ejemplo, segmentación), en lugar de reemplazar la RM diagnóstica.
• Evaluación Exhaustiva: El estudio proporciona evaluaciones cuantitativas extensas (PSNR, SSIM, coeficientes de Dice) y cualitativas, incluyendo pruebas de significancia estadística (Kruskal-Wallis, post-hoc de Dunn) en datos no vistos, conjuntos de prueba predefinidos y conjuntos de datos externos.

Resultados

• Métricas de Desempeño: En ambos casos, datos de prueba no vistos y predefinidos, el modelo MEAL-BD superó consistentemente a todos los enfoques competidores (CC, FL, TA, NA). Logró el mayor Índice de Relación Señal-Ruido de Pico (PSNR) y el Índice de Similitud Estructural (SSIM). Por ejemplo, en datos no vistos sin aumentación, BD alcanzó un PSNR de 23.03 dB y un SSIM de 0.733, superando significativamente a TA (19.48 dB, 0.506).
• Robustez: Bajo diversas perturbaciones geométricas (rotación, inversión, recorte) y variaciones de intensidad, BD mantuvo un desempeño superior (PSNR > 23 dB, SSIM > 0.72 en la mayoría de los casos). En contraste, TA y otros baselines mostraron una degradación significativa del desempeño y mayores errores píxel a píxel, particularmente en los límites estructurales.
• Significancia Estadística: El análisis estadístico confirmó que la superioridad de BD sobre TA y otros métodos fue altamente significativa ($p < 0.01$) en todos los tipos de aumentación y conjuntos de datos.
• Fidelidad Anatómica: El análisis cualitativo y la segmentación de tejidos (Sustancia Blanca, Sustancia Gris, LCR) demostraron que MEAL-BD preserva estructuras clínicamente relevantes (ventrículos, pliegues corticales) y genera un contraste similar a la RM con alta coherencia anatómica. La validación externa en los conjuntos de datos PPMI y RIRE mostró que el modelo se generaliza bien, aunque con las variaciones esperadas debido a las características de adquisición específicas de cada conjunto de datos.
• Eficiencia de Parámetros: A pesar de su compleja arquitectura, el uso de un codificador compartido en el modelo BD reduce el recuento de parámetros en aproximadamente un 75% en comparación con los modelos CC y FL de multi-codificadores, que utilizan pesos no compartidos.

Significancia y Reivindicaciones
El artículo afirma que MEAL aborda el desafío crítico de equilibrar la diversidad de datos con la precisión diagnóstica. Al tratar las aumentaciones como vistas complementarias en lugar de perturbaciones, el marco aprende representaciones invariantes al protocolo que permanecen estables bajo la variabilidad clínica del mundo real.

Los autores posicionan a MEAL no como una herramienta para reemplazar la RM adquirida para fines diagnósticos, sino como un sistema robusto de apoyo a la decisión. Es particularmente significativo para entornos clínicos con recursos limitados o críticos en tiempo donde la RM no está disponible, está contraindicada (debido a implantes metálicos, por ejemplo) o presenta retrasos. El marco permite la síntesis de escaneos similares a la RM que apoyan tareas posteriores como la segmentación de tejidos, el análisis morfométrico y la evaluación de cambios neurodegenerativos, extendiendo así la utilidad del CT más allá de la visualización anatómica convencional. El trabajo establece un nuevo referente de robustez en la traducción de imágenes médicas, ofreciendo una solución modular, interpretable y generalizable para manejar la variabilidad del mundo real en la imagenología médica.