Contrast-Informed Augmentation and Domain-Adversarial Training for Adult-to-Neonatal MR Reconstruction Generalization

Resumen Técnico: Aumento Informado de Contraste y Entrenamiento Adversario de Dominio para la Generalización de la Reconstrucción de RM de Adulto a Neonatal

Planteamiento del Problema
Los métodos de reconstrucción de Resonancia Magnética (RM) basados en aprendizaje profundo (DL) han demostrado un rendimiento superior en la recuperación de imágenes de alta calidad a partir de datos de k-space altamente submuestreados en comparación con los algoritmos convencionales basados en la física. Sin embargo, su adopción clínica se ve obstaculizada por una baja capacidad de generalización ante datos fuera de su distribución de entrenamiento (desplazamiento de dominio o domain shift). Esto es particularmente crítico en la imagenología neonatal, donde características distintivas —como la inversión de contraste entre la sustancia blanca y la gris, diferencias en la escala anatómica y la reducción de la relación señal-ruido (SNR)— perjudican a los modelos entrenados con datos de adultos. Además, la escasez de conjuntos de datos de k-space multicanal de crudo disponibles públicamente para neonatos obliga a depender de la abundancia de datos de adultos, lo que requiere estrategias robustas para cerrar la brecha de dominio adulto-neonatal sin acceso a datos de entrenamiento del dominio objetivo.

Metodología
El estudio investigó la eficacia de combinar el aumento de datos informado de contraste con el entrenamiento adversario de dominio (DAT) para mejorar la generalización de la Red Variacional de Extremo a Extremo (E2E-VarNet) en la reconstrucción de RM de adulto a neonatal. El diseño experimental comparó tres regímenes de entrenamiento:

1. Unaug-Only: Entrenamiento exclusivamente con datos de adultos no aumentados (control).
2. Mixed: Entrenamiento con una mezcla de datos de adultos no aumentados y datos de adultos aumentados para imitar las características neonatales.
3. Mixed-DAT: Entrenamiento con el mismo conjunto de datos mixto, pero incorporando un objetivo adversario de dominio.

Protocolo de Aumento de Datos:
Se aplicó un flujo de trabajo de aumento de contraste informado a cortes ponderados en T2 de adultos. Esto consistió en:

• Transformar los datos de k-space multicanal al espacio de imagen y combinar bobinas (coil-combining).
• Utilizar agrupamiento de k-medias (k-means clustering) para particionar los tejidos en sustancia blanca, sustancia gris y líquido cefalorraquídeo (LCR).
• Invertir las intensidades de la sustancia blanca y la gris para imitar el contraste T2 neonatal.
• Aplicar suavizado espacial y reescalado para aproximar las características de la imagen neonatal.
• Proyectar las imágenes modificadas de nuevo al k-space multicanal para el uso del modelo.

Entrenamiento Adversario de Dominio (DAT):
En el régimen Mixed-DAT, se adjuntó un discriminador de dominio a la capa de cuello de botella (bottleneck) del módulo de refinamiento final de la E2E-VarNet. Se insertó una Capa de Inversión de Gradiente (GRL) entre el extractor de características y el discriminador. El discriminador fue entrenado para clasificar las entradas como "no aumentadas" o "aumentadas", mientras que la red de reconstrucción fue entrenada para minimizar la pérdida de reconstrucción (SSIM) y maximizar la pérdida de clasificación de dominio (vía la GRL). Esta configuración adversaria fomentó que la red aprendiera representaciones de características invariantes al dominio, que son insensibles a las diferencias de dominio introducidas por el aumento.

Conjuntos de Datos y Evaluación

• Entrenamiento: 55 volúmenes ponderados en T2 de adultos del conjunto de datos fastMRI (50 de entrenamiento, 5 de validación). No se utilizaron datos neonatales para el entrenamiento, validación o selección de hiperparámetros.
• Pruebas: 30 volúmenes ponderados en T2 de neonatos del estudio P3 Cohort (Alberta Children's Hospital) y un conjunto de prueba de adultos reservado.
• Métricas: Evaluación cuantitativa utilizando el Índice de Similitud Estructural (SSIM) y la Relación Señal-Pico de Ruido (PSNR) en factores de aceleración $R=4$ y $R=8$. La evaluación cualitativa fue realizada por un científico clínico. Las representaciones de características latentes se analizaron mediante visualización t-SNE.

Resultos Clave

• Generalización Neonatal: Tanto los regímenes Mixed como Mixed-DAT superaron a Unaug-Only en el conjunto de prueba neonatal.
  • Para $R=4$, Mixed-DAT logró el mejor rendimiento (SSIM: $0.924 \pm 0.027$; PSNR: $33.98 \pm 1.15$ dB).
  • Para $R=8$, Mixed-DAT alcanzó el SSIM más alto ($0.848 \pm 0.031$), mientras que Mixed logró el PSNR más alto ($29.56 \pm 0.83$ dB).
• Retención del Dominio Adulto: En el conjunto de prueba de adultos, Unaug-Only y Mixed se comportaron de manera similar. Mixed-DAT mostró una disminución marginal en el rendimiento, particularmente en PSNR, lo que sugiere un compromiso (trade-off) donde la mejora en la generalización neonatal redujo ligeramente la especificidad del dominio adulto.
• Análisis de Características: Las visualizaciones t-SNE indicaron que, mientras el modelo Mixed mostró una separación parcial entre las características de adultos aumentadas y no aumentadas, el modelo Mixed-DAT aumentó el solapamiento de estas características. Crucialmente, las características de las pruebas neonatales extraídas del modelo Mixed-DAT se solaparon sustancialmente más con ambos dominios derivados de adultos en comparación con el modelo Mixed, lo que sugiere una reducción en la separabilidad de las características en el espacio.
• Evaluación Cualitativa: Para $R=4$, todos los modelos fueron considerados adecuados para la interpretación clínica, siendo Mixed-DAT el mejor valorado. Para $R=8$, ningún modelo se consideró plenamente adecuado para una interpretación clínica confiable, aunque Mixed-DAT exhibió menos desenfoque y una mejor diferenciación de contraste en comparación con los otros.

Significancia y Afirmaciones
El artículo afirma que el aumento de datos informado de contraste combinado con el entrenamiento adversario de dominio es una estrategia prometedora para mejorar la robustez de la reconstrucción de RM basada en DL en dominios subrepresentados como la imagenología neonatal. Los autores postulan que:

1. Aumentar los datos de adultos para imitar las características neonatales expande efectivamente la distribución de entrenamiento para mejorar la generalización.
2. Añadir un objetivo adversario mejora aún más esta generalización al forzar a la red a aprender representaciones que sean invariantes a los desplazamientos de dominio específicos introducidos por el aumento.
3. La reducción observada en la separación de características en el espacio (vía t-SNE) entre los datos neonatales reales y las distribuciones de entrenamiento derivadas de adultos respalda la hipótesis de que el DAT reduce la sensibilidad a las diferencias de dominio.

El estudio concluye que, si bien estos métodos mejoran las métricas de reconstrucción y la alineación de características, aún no resuelven completamente los desafíos de interpretabilidad clínica en factores de aceleración altos ($R=8$). Los autores enfatizan que las ganancias observadas son específicas de la propuesta de aumento y el marco adversario, y llaman a una validación prospectiva y a una mayor investigación de los mecanismos de generalización asociados al DAT antes de su adopción clínica.