Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios

Resumen Técnico: Impacto de las Imágenes de RM con Lesiones Sintéticas en la Detección Automatizada de la Displasia Cortical Focal en Escenarios de Bajos Datos

Planteamiento del Problema
La detección automatizada de la Displasia Cortical Focal (DCF), una causa principal de epilepsia resistente a fármacos, depende de modelos de aprendizaje profundo supervisados que requieren grandes volúmenes de datos de RM anotados vóxel a vóxel. Sin embargo, la adquisición de tales conjuntos de datos se ve obstaculizada por la naturaleza intensiva en tiempo de la anotación manual vóxel por vóxel por parte de expertos y las barreras logísticas del intercambio de datos entre múltiples centros. En consecuencia, los métodos actuales están limitados por la escasez de datos. Además, las técnicas de aumento de datos estándar (p. ej., rotación, escalado) no logran simular los cambios de intensidad espacialmente adaptativos y complejos característicos de las lesiones de DCF, mientras que los enfoques generativos existentes (p. ej., modelos de difusión) requieren típicamente conjuntos de datos anotados masivos (más de 800 sujetos) que no están disponibles para la DCF.

Metodología
Los autores proponen un marco generativo condicional diseñado para sintetizar volúmenes de RM que contienen DCF a partir de escaneos de cerebros sanos, reduciendo así la dependencia de grandes conjuntos de datos etiquetados. La metodología consta de tres componentes principales:

1. Generador de Etiquetas de DCF (basado en GMM): En lugar de generar imágenes desde cero, el sistema primero genera máscaras binarias de DCF anatómicamente plausibles sobre escaneos de cerebros sanos. Esto se logra mediante un Modelo de Mezcla Gaussiana (GMM) condicionado en mapas de Estimación de Volumen Parcial (PVE) de la materia gris (MG) y la materia blanca (MB). El generador selecciona un vóxel aleatorio en el límite MG-MB como centro y muestrea componentes de la mezcla para crear formas de lesión suaves e irregulares que respeten los límites tisulares. Este enfoque elimina la necesidad de modelos de difusión, reduciendo los parámetros entrenables aproximadamente en un 95%.
2. Generador de Volumen Lesional (SPADE-GAN): Se utiliza un marco de síntesis de imágenes semánticas basado en la Denormalización Espacialmente Adaptativa (SPADE) y una arquitectura de Autoencoder Variacional (VAE) para traducir la RM sana y la etiqueta de DCF generada en una RM lesional sintética. El generador está condicionado en mapas semánticos multicanal (incluyendo mapas PVE y la máscara de DCF) y códigos de estilo derivados de imágenes reales ponderadas en T1 (T1w) y FLAIR ponderadas en T2, lo que preserva la consistencia semántica y la fidelidad de la modalidad a través de diferentes resoluciones.
3. Detector de DCF Automatizado (nnU-Net): Se emplea una arquitectura nnU-Net estándar como modelo de detección. El estudio compara tres configuraciones de entrenamiento:
   • FCDD-1: Entrenado en un conjunto de datos reales limitados (35 DCF, 35 controles).
   • FCDD-2: Entrenado en los mismos datos reales aumentados con volúmenes sintéticos (35 reales + 35 sintéticos DCF, 35 reales + 35 sintéticos controles).
   • FCDD-3: Entrenado en un conjunto de datos reales expandido (70 DCF, 70 controles) que sirve como referencia de límite superior.

Contribuciones Clave

• Generación de Etiquetas Basada en GMM Innovadora: Un método para generar etiquetas de DCF diversas y anatómicamente plausibles a partir de escaneos sanos sin requerir anotaciones de lesiones preexistentes, abordando el problema del "inicio en frío" en regímenes de bajos datos.
• Marco Generativo Condicional: La primera aplicación de un modelo generativo condicional específicamente para la síntesis de MRIs que expresan DCF para aumentar los datos de entrenamiento para la detección automatizada.
• Eficiencia: Al evitar la generación de imágenes de todo el cerebro desde cero (como se hace en los modelos de difusión), el método propuesto reduce significativamente el número de parámetros entrenables y el requisito de grandes conjuntos de datos anotados.

Resultados

• Evaluación de Realismo: Dos neurorradiólogos expertos evaluaron 28 escaneos sintéticos y reales. Lograron precisiones de clasificación de solo un 60% para T1w y un 70% para imágenes FLAIR (acuerdo inter-observador $\kappa = 0.86$), lo que indica que las imágenes sintéticas son altamente realistas y a menudo indistinguibles de las reales.
• Desempeño de Detección (Escenario de Bajos Datos): El aumento del limitado conjunto de datos reales (FCDD-2) con datos sintéticos mejoró la sensibilidad a nivel de sujeto en un 8.14% en comparación con la línea base no aumentada (FCDD-1), aunque esto no fue estadísticamente significativo ($p=0.12$). Sin embargo, la confianza del modelo en los sitios de lesiones reales aumentó significativamente de $0.83 \pm 0.11$ a $0.89 \pm 0.12$ ($p=0.02$).
• Comparación con Datos Reales Expandidos: El modelo entrenado en el conjunto de datos reales expandido (FCDD-3) logró una sensibilidad significativamente mayor del 73.8% ($p < 0.001$) en comparación con el modelo aumentado. Esto indica que, si bien el aumento sintético mejora el desempeño sobre una línea base no aumentada, una cantidad equivalente de datos reales sigue siendo más efectiva cuando está disponible.
• Comparación con Métodos Existentes: El método aumentado propuesto logró una mayor precisión (0.73 vs. 0.40) y tasas de falsos positivos más bajas en comparación con el método del proyecto MELD, a pesar de utilizar un 84% menos de datos de entrenamiento reales.

Significancia y Reivindicaciones
El artículo afirma que las redes generativas condicionales pueden generar con éxito MRIs de DCF sintéticos realistas, reduciendo efectivamente la necesidad de datos etiquetados en aproximadamente un 20% mientras mantienen una sensibilidad equivalente en escenarios de bajos datos. El estudio destaca que el aumento sintético sirve como una estrategia viable para mejorar la confianza del modelo y detectar casos adicionales que son omitidos por los modelos base entrenados con datos escasos. Sin embargo, los autores concluyen modestamente que los datos sintéticos son una medida compensatoria para la escasez de datos; cuando hay suficientes datos reales disponibles, estos siguen siendo el recurso de entrenamiento superior. El trabajo establece una nueva dirección de investigación para aprovechar la IA generativa para superar los cuellos de botella de anotación en condiciones neurológicas raras como la DCF, particularmente para subtipos donde aún no existen grandes conjuntos de datos.