Segmentation of Gray Matters and White Matters from Brain MRI data

Título: Segmentación de Sustancia Gris y Blanca a partir de Datos de Resonancia Magnética Cerebral (MRI)

1. Planteamiento del Problema

La segmentación precisa de los tejidos cerebrales, específicamente la distinción entre sustancia gris (cuerpos neuronales, dendritas, sinapsis) y sustancia blanca (axones mielinizados), es fundamental para el estudio de la anatomía cerebral, el diagnóstico de trastornos neurológicos y el monitoreo de la progresión de enfermedades (como el deterioro cognitivo o la pérdida de volumen en la vejez).

Los desafíos principales identificados son:

• Limitaciones de los métodos tradicionales: Herramientas como FSL FAST generan mapas de probabilidad de tejidos, pero a menudo requieren ajustes específicos para cada tarea y enfrentan dificultades con condiciones de imagen diversas.
• Limitaciones de los modelos de Deep Learning existentes: Arquitecturas como U-Net y nnU-Net suelen ser específicas de la tarea, requiriendo entrenamiento desde cero o re-ajuste intensivo para cada nuevo conjunto de datos.
• Brecha en modelos Fundacionales: Aunque modelos como MedSAM (basado en SAM) ofrecen segmentación flexible basada en "prompts", su aplicación a tareas de segmentación multiclase (más de dos clases: fondo, sustancia gris, sustancia blanca) en MRI cerebral ha sido poco explorada.

2. Metodología

Los autores proponen una adaptación del modelo MedSAM para la segmentación multiclase de tejidos cerebrales mediante un enfoque de fine-tuning (ajuste fino) con modificaciones arquitectónicas mínimas.

• Preprocesamiento de Datos:

  • Extracción del Cráneo: Se utiliza FSL BET para eliminar tejidos no cerebrales (cráneo, cuero cabelludo) de los volúmenes 3D en formato NIfTI.
  • Segmentación de Tejidos (Ground Truth Pseudo): Se aplica FSL FAST a las imágenes extraídas para generar mapas de probabilidad para sustancia gris, blanca y líquido cefalorraquídeo.
  • Generación de Máscaras: Los mapas de probabilidad se convierten en máscaras multiclase discretas (Fondo=0, Sustancia Gris=1, Sustancia Blanca=2) aplicando un umbral de probabilidad de 0.5.
  • Corte de Imágenes: Los volúmenes 3D se cortan en 2D a lo largo de tres planos ortogonales: axial, sagital y coronal, creando conjuntos de datos separados para cada orientación.

• Adaptación del Modelo (Arquitectura):

  • Se toma el modelo base MedSAM (entrenado previamente con ViT-B).
  • Modificación Clave: Se reemplaza la cabeza de salida del decodificador de máscaras original (que produce una sola máscara binaria) por una cabeza de predicción de 3 canales (uno por clase).
  • Estrategia de Entrenamiento:
    • El codificador de imágenes se congela (se mantienen los pesos pre-entrenados) para preservar las características generales y evitar el sobreajuste.
    • Se realiza el fine-tuning únicamente en el codificador de prompts y el decodificador de máscaras modificado.
    • Se utiliza una función de pérdida de entropía cruzada ponderada para manejar el desequilibrio de clases (dando menos peso al fondo).
    • Se entrenan modelos separados para cada orientación (axial, sagital, coronal) y un modelo unificado con todos los datos combinados.

• Conjunto de Datos: Se utilizó el conjunto de datos público IXI (581 escaneos T1 de sujetos sanos), dividido en entrenamiento (70%), validación (15%) y prueba (15%).

3. Contribuciones Clave

1. Adaptación de MedSAM a Multiclase: Demostración de que un modelo fundacional diseñado para segmentación binaria puede extenderse eficazmente a la segmentación de tres clases (fondo, GM, WM) con una modificación arquitectónica mínima (solo la capa de salida).
2. Análisis de la Orientación Anatómica: Evaluación sistemática de cómo la orientación de la imagen (axial, sagital, coronal) afecta el rendimiento de la segmentación, revelando diferencias significativas en la calidad de los bordes y la precisión.
3. Eficiencia de Recursos: Validación de que congelar el codificador y ajustar solo el decodificador permite lograr un alto rendimiento con menos recursos computacionales y menor riesgo de sobreajuste en conjuntos de datos médicos limitados.

4. Resultados

Los experimentos se evaluaron utilizando el Coeficiente de Dice (DSC) y la Intersección sobre la Unión (IoU) en un conjunto de prueba de 1,000 slices aleatorios.

• Rendimiento por Orientación:
  • El modelo Coronal obtuvo el mejor rendimiento global con un Dice de 0.8751 y un IoU de 0.7935.
  • El modelo Sagital ocupó el segundo lugar (Dice: 0.8604).
  • El modelo Axial mostró el rendimiento más bajo entre los modelos de orientación única (Dice: 0.8440).
• Modelo Unificado: Contrario a las expectativas, el modelo entrenado con datos combinados de las tres orientaciones no superó consistentemente a los modelos especializados en una sola orientación. Esto sugiere que la variabilidad de las orientaciones podría diluir la extracción de características específicas.
• Análisis Visual: Las mapas de probabilidad mostraron que el modelo coronal presenta límites más nítidos entre la sustancia gris y blanca, mientras que el modelo axial tiende a tener más incertidumbre en regiones pequeñas de sustancia gris.

5. Significado y Conclusión

Este trabajo demuestra que los modelos fundacionales como MedSAM son altamente adaptables para tareas de segmentación médica multiclase, ofreciendo una alternativa viable a las arquitecturas tradicionales como U-Net.

• Ventajas: Requiere menos modificaciones específicas de la tarea y aprovecha el conocimiento pre-entrenado a gran escala.
• Limitaciones:
  • Las etiquetas de "verdad fundamental" se derivaron de FSL FAST (un modelo basado en probabilidades) y no de anotaciones manuales de expertos, lo que limita la evaluación de la precisión anatómica absoluta.
  • El estudio se centró únicamente en sujetos sanos y en imágenes 2D, excluyendo patologías (tumores, lesiones) y volúmenes 3D completos.
• Futuro: Se sugiere explorar extensiones 3D de MedSAM, estrategias de ajuste fino para conjuntos de datos más grandes y diversos, y la evaluación en casos patológicos para llevar estos sistemas a aplicaciones clínicas universales.