Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks

Resumen Técnico: Detección de Cáncer de Próstata mediante HBR-Net-18

1. Problema

El cáncer de próstata (PCa) es una de las principales causas de mortalidad en hombres. Aunque la Resonancia Magnética (MRI) y la MRI Híbrida Multidimensional (HM-MRI) han mejorado el diagnóstico gracias a su alto contraste y capacidades cuantitativas, persisten desafíos significativos en la detección automatizada mediante Inteligencia Artificial (IA):

• Inhomogeneidades de intensidad: Los campos de sesgo (bias fields) y las variaciones de señal en las secuencias de MRI generan inconsistencias que confunden a los modelos de aprendizaje profundo.
• Limitaciones de los enfoques actuales: Los métodos basados en radiomica tradicional y las Redes Neuronales Convolucionales (CNN) estándar a menudo fallan en generalizar entre cortes (inter-slice) o dependen de artefactos de adquisición, lo que resulta en predicciones poco fiables o inconsistentes.
• Necesidad de robustez: Se requiere un marco automatizado que corrija explícitamente las variaciones de intensidad antes de la clasificación para evitar que el clasificador aprenda "cues" espurios en lugar de características patológicas reales.

2. Metodología

Los autores proponen HBR-Net-18 (Hadamard-Bias Network + ResNet-18), un marco de aprendizaje profundo de dos etapas diseñado para operar sobre mapas de biomarcadores de tejido derivados de HM-MRI.

• Entrada de Datos: Se utilizan seis mapas de biomarcadores cuantitativos generados por un Autoencoder Informado por la Física (PIA): fracción de volumen epitelial ($v_{ep}$), fracción de agua luminal ($v_{lu}$), difusividad epitelial ($d_{ep}$), difusividad estromal ($d_{st}$), tiempo de relajación T2 epitelial ($t_{2ep}$) y tiempo de relajación T2 estromal ($t_{2st}$).

• Etapa 1: Corrección de Sesgo (Bias Correction)

  • Se emplea una U-Net probabilística basada en la Transformada de Hadamard.
  • Objetivo: Suprimir las inhomogeneidades de intensidad de baja frecuencia (campos de sesgo) en cada mapa de biomarcador.
  • Mecanismo: Utiliza la Transformada de Walsh-Hadamard para operar en el dominio de la transformada, donde los componentes de baja frecuencia del sesgo se concentran en un subconjunto pequeño de coeficientes. Esto permite una corrección eficiente y energéticamente favorable.
  • Entrenamiento: La red se entrena para minimizar la diferencia entre los mapas corregidos y los generados por el algoritmo de referencia N4ITK. Una vez convergido, los parámetros se congelan, asegurando una separación estricta entre la normalización de datos y la toma de decisiones de clasificación.

• Etapa 2: Clasificación a Nivel de Parche

  • Extracción de Parches: Los mapas corregidos se limitan a la región de la próstata y se dividen en parches superpuestos de 11x11 píxeles.
  • Contexto 3D: Para mejorar la consistencia espacial, cada parche objetivo (N) se apila con sus cortes adyacentes (N-1, N, N+1), creando tensores de entrada de tamaño $3 \times 6 \times 11 \times 11$.
  • Proyección y Clasificación: Los parches pasan por una capa de proyección convolucional aprendible (upsampling) y luego se procesan mediante una ResNet-18 para clasificar si el tejido es canceroso o no.
  • Pérdida: Se utiliza pérdida de entropía cruzada binaria con Focal Loss para abordar el desequilibrio de clases entre parches cancerosos y no cancerosos.

3. Contribuciones Clave

• Marco Desacoplado: La separación estricta entre la corrección de sesgo (Etapa 1) y la clasificación (Etapa 2) evita que el clasificador explote variaciones de intensidad dependientes de la adquisición, mejorando la generalización.
• Integración de Transformada de Hadamard: Aplicación innovadora de la Transformada de Hadamard dentro de una U-Net para la corrección de bias, ofreciendo eficiencia computacional y una supresión efectiva de ruido de baja frecuencia.
• Contexto Espacial Híbrido: El diseño incorpora simultáneamente información intra-corte (2D) e inter-corte (3D) mediante el apilamiento de parches adyacentes, mejorando la consistencia en la detección de lesiones.
• Uso de Biomarcadores Físicos: En lugar de usar imágenes de MRI crudas, el modelo opera sobre mapas de composición tisular cuantitativa derivados de un modelo físico (PIA), proporcionando una interpretación fisiológica más profunda.

4. Resultados Experimentales

El estudio se realizó con datos de 86 pacientes (34 sin cáncer, 52 con cáncer) utilizando validación cruzada de 5 pliegues.

• Rendimiento a Nivel de Parche (Tabla I):

  • HBR-Net-18 alcanzó una precisión del 93.8%, con una sensibilidad del 94.4% y una especificidad del 93.3%.
  • Superó significativamente a los enfoques basados en radiomica (80.0% de precisión) y a las CNN baselines (ResNet-18: 62.5%, ResNet-50: 82.1%).
  • Mejoró la precisión en un 50.08% comparado con ResNet-18 entrenado en datos crudos.

• Rendimiento a Nivel de Paciente (Tabla II):

  • HBR-Net-18 logró una precisión del 83.7% (Sensibilidad: 88.5%, Especificidad: 78.5%).
  • Destacó por una mejora masiva en la especificidad hacia pacientes sin cáncer (292.5% mejor que la radiomica), reduciendo falsos positivos.

• Estudio de Ablación (Tabla III):

  • La eliminación de la etapa de corrección de sesgo redujo la precisión de 93.8% a 89.1%, demostrando la importancia crítica de la normalización.
  • El uso exclusivo de contexto 2D (sin cortes adyacentes) redujo el rendimiento a 88.2%, validando la necesidad de información 3D.
  • El tamaño de parche de 11x11 se identificó como el equilibrio óptimo entre detalle local y cobertura contextual.

5. Significado e Impacto

Este trabajo demuestra que combinar biomarcadores cuantitativos de composición tisular con un marco de IA híbrido y desacoplado puede superar las limitaciones de los métodos actuales de detección de cáncer de próstata.

• Robustez Clínica: Al corregir explícitamente los sesgos de intensidad, el modelo es más robusto frente a variaciones en los equipos de MRI y protocolos de adquisición, un requisito esencial para la implementación clínica.
• Potencial de Despliegue: La alta sensibilidad y especificidad equilibradas sugieren que HBR-Net-18 podría reducir las biopsias innecesarias y mejorar la guía para biopsias de fusión.
• Limitaciones y Futuro: El estudio reconoce el tamaño limitado del conjunto de datos y la exclusión de tejido benigno de pacientes con cáncer durante el entrenamiento. El trabajo futuro se centrará en incluir miméticos benignos (como hiperplasia benigna de próstata o inflamación) para mejorar la localización y la robustez clínica general.