Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning

Resumen Técnico: Síntesis de Ruido Realista para la Estimación de Microestructura Supervisada e Insesgada en dMRI

Planteamiento del Problema
La resonancia magnética de difusión (dMRI) permite el sondeo no invasivo de la microestructura tisular, pero la estimación precisa de los parámetros se ve frecuentemente comprometida por efectos relacionados con el ruido. Una fuente primaria de sesgo sistemático surge de las propiedades de ruido no triviales de los datos de RM reconstruidos en magnitud. Específicamente, la reconstrucción de magnitud transforma el ruido gaussiano complejo de media cero en una distribución de Rice, lo que causa que la esperanza del signo se desvíe de la amplitud real de la señal subyacente, particularmente en relaciones señal-ruido (SNR) bajas. Además, los pasos de preprocesamiento estándar, como la eliminación de ruido mediante el Análisis de Componentes Principales de Marchenko–Pastur (MPPCA), alteran la varianza y la distribución efectiva del ruido, resultando a menudo en una señal con aproximación gaussiana que presenta un desplazamiento en la media y una desviación estándar reducida.

En los marcos de aprendizaje automático (ML) supervisado, que dependen de datos de entrenamiento simulados para aprender mapeos de señales a parámetros microestructurales, ocurre un "desplazamiento de covariables" (covariate shift) cuando las características del ruido de los datos de entrenamiento simulados no coinciden con las de las señales experimentales adquiridas. Si los datos de entrenamiento se generan utilizando señales sin ruido o modelos de ruido simplificados que ignoran el sesgo inducido por la magnitud y la varianza post-procesamiento, los estimadores resultantes exhiben un sesgo sistemático dependiente de la SNR y una reducción en su capacidad de generalización, particularmente en regímenes de baja SNR asociados con valores b altos o alta resolución espacial.

Metodología
Los autores proponen un marco de Síntesis de Ruido Realista (RNS) diseñado para alinear las propiedades estadísticas de los datos de entrenamiento simulados con las señales de inferencia experimentales. Este enfoque de dos pasos condicionado por los datos modela tanto el sesgo inducido por la magnitud como la varianza de ruido efectiva post-procesamiento:

1. Paso 0: Estimación Empírica del Ruido: El marco estima la desviación estándar del ruido térmico por vóxel ($\sigma$) a partir de los datos brutos (por ejemplo, usando MPPCA) y la desviación estándar del ruido efectivo post-procesamiento ($\sigma^*$) a partir de los residuos de los ajustes de armónicos esféricos (SH) de los datos preprocesados. Estos valores se agregan para formar distribuciones empíricas para el muestreo durante el entrenamiento.
2. Paso 1: Inyección de Sesgo Inducido por la Magnitud: Para una señal sin ruido $S$ dada, el marco calcula la esperanza de la distribución de Rice correspondiente, $\mu_R(S, \sigma)$, utilizando la $\sigma$ térmica estimada. Esto reemplaza la señal sin ruido con la esperanza sesgada observada en los datos de magnitud.
3. Paso 2: Inyección de Ruido Efectivo: Se añade ruido gaussiano de media cero con una desviación estándar $\sigma^*$ a la señal sesgada por la distribución de Rice. Esto captura la varianza reducida observada tras la eliminación de ruido mientras preserva el desplazamiento de la media dependiente de la señal.

El marco fue evaluado utilizando dos modelos biofísicos: un modelo de cilindro-zeppelin de dos compartimentos y el modelo de Imagen de Densidad de Soma y Neuritas (SANDI). Los experimentos utilizaron conjuntos de datos simulados a través de múltiples niveles de SNR y datos in vivo de adquisiciones repetidas (Manzano Patrón et al.) y adquisiciones de ultra-alto gradiente (Connectom). El rendimiento de los estimadores entrenados con RNS (utilizando Regresores de Bootstrap Aggregating y Perceptrón Multicapa) se comparó con el ajuste de Mínimos Cuadrados No Lineales (NLLS) sensible al ruido y con estimadores de línea base de ML entrenados con modelos de ruido simplificados (solo desfase de Rice, o solo ruido gaussiano).

Resultos Clave

• Reducción del Sesgo: El entrenamiento en señales que ignoraban los efectos inducidos por la magnitud (Estimador 2b) produjo un sesgo sistemático dependiente de la SNR, particularmente en SNR bajas. La incorporación de la esperanza de Rice (Estimadores 1, 2a, 2c, 2d) redujo sustancialmente este sesgo a niveles comparables con el ajuste NLLS sensible al ruido.
• Mejora de la Precisión: El modelado adicional de la desviación estándar efectiva ($\sigma^*$) durante el entrenamiento (Estimadores 2c y 2d) mejoró aún más la precisión de las estimaciones, reduciendo la desviación estándar de los residuos en comparación con los modelos que solo contabilizaban el desplazamiento de la media de Rice.
• Robustez a la Arquitectura: Las ganancias de rendimiento fueron ampliamente independientes de la arquitectura de regresión. Tanto los regresores de Bootstrap Aggregating (BR) como los de Perceptrón Multicapa (MLP) demostraron mejoras similares cuando se entrenaron con el marco RNS, lo que indica que la estrategia de modelado de ruido es el factor dominante sobre la topología específica de la red.
• Sensibilidad a la Estimación del Ruido: El estudio encontró que el método es sensible a la estimación precisa del ruido. La mala estimación de la desviación estándar del ruido (incluso en un $\pm 10\%$ a $20\%$) introdujo un sesgo sistemático en los parámetros recuperados. La subestimación del ruido condujo a una sobreestimación de las fracciones de señal, mientras que la sobreestimación condujo a una subestimación.
• Validación In Vivo: En datos in vivo con menor SNR (resolución de 0.9 mm³), el estimador entrenado con RNS produjo mapas de parámetros más estables con contraste preservado entre sustancia blanca y sustancia gris, y una reducción de la sobreestimación aparente de las fracciones de señal en comparación con los métodos de línea base. Mejoras similares se observaron para el modelo SANDI en valores b altos.

Significancia y Reivindicaciones
El artículo sostiene que el modelado realista de las estadísticas de ruido en los datos de entrenamiento simulados es esencial para una estimación de microestructura supervisada e insesgada en dMRI. Al abordar explícitamente el desplazamiento de covariables en el dominio de la señal —alineando la media y la varianza de las señales de entrenamiento con las de los datos de inferencia—, el marco RNS propuesto mitiga el sesgo sistemático que típicamente afecta a los enfoques de ML supervisado en regímenes de baja SNR.

Los autores argumentan que las atribuciones previas de un mayor sesgo en ML (en comparación con NLLS) a las estrategias de muestreo deben ser reevaluadas, ya que sus resultados demuestran que los estimadores supervisados pueden igualar el rendimiento de sesgo de los NLLS clásicos cuando la distribución de entrenamiento es estadísticamente consistente con las condiciones experimentales. El estudio enfatiza que, si bien el diseño de la distribución de parámetros es importante, el modelado preciso de la distribución de la señal de entrada (específicamente el sesgo de magnitud y la varianza de ruido efectiva) es un prerrequisito crítico para una inferencia robusta e insesgada, particularmente para modelos microestructurales avanzados operando bajo condiciones de adquisición desafiantes.