Native space based pipelines outperform template space based pipeline in subcortical segmentation

Resumen Técnico: Pipelines de Espacio Nativo vs. Espacio de Plantilla para la Segmentación Subcortical

Planteamiento del Problema
La segmentación precisa de los núcleos subcorticales, específicamente el Núcleo Subtalámico (STN), el Núcleo Rojo (RN) y la Sustancia Negra (SN), es crítica para la planificación neuroquirúrgica en la Enfermedad de Parkinson (EP) y la investigación funcional. Aunque la RM de alto campo (7T) ofrece un contraste tisular superior, la práctica clínica depende predominantemente de exploraciones de menor campo (3T), donde estas estructuras son difíciles de identificar debido al contraste limitado. Las herramientas de segmentación automatizadas actuales suelen depender de la corregistro en espacio de plantilla (por ejemplo, deformar las imágenes del paciente al espacio estándar MNI) para aprovechar los atlas promediados de la población. Sin embargo, este enfoque introduce un proceso de registro de "ida y vuelta": transformar al paciente al espacio de la plantilla para la segmentación y luego realizar la transformación inversa de los resultados de vuelta al espacio nativo. Los autores plantean la hipótesis de que esta normalización y la transformación inversa pueden comprometer la fidelidad anatómica específica del paciente, particularmente para estructuras pequeñas e irregulares como el STN, y que los enfoques de espacio nativo pueden ofrecer una ventaja mensurable. Además, la transferibilidad de los modelos entrenados con datos de alta calidad de 7T a datos clínicos de 3T sigue siendo un desafío abierto, lo que motiva una investigación sobre si los datos 3T sintéticos pueden cerrar este vacío de dominio.

Metodología
El estudio desarrolló y comparó dos pipelines de segmentación basados en aprendizaje profundo utilizando el marco nnUNet (específicamente UNet con ajustes preestablecidos de codificador residual) entrenado en un conjunto de datos curados de imágenes de RM ponderadas en T2 de 7T y 3T provenientes de cinco fuentes públicas (CBS, ATAG, Chu 2025, Paired y OASIS).

1. Pipeline de Espacio de Plantilla:

   • Todas las imágenes de los sujetos se registraron mediante una transformación afín al template MNI Nonlinear Asymmetric 2009.
   • Se probaron dos resoluciones de plantilla: 1 mm (MNI 152 NLIN 2009c) y 0.5 mm (MNI 152 NLIN 2009b).
   • Se definió una Región de Interés (ROI) en el espacio MNI, el modelo fue entrenado en estas imágenes normalizadas y el resultado de la segmentación fue transformado inversamente de vuelta al espacio nativo para su evaluación.

2. Pipeline de Espacio Nativo:

   • Operó directamente sobre las imágenes de RM nativas del paciente.
   • Se construyeron ROIs específicas del sujeto deformando el atlas CIT168 (mapas probabilísticos) al espacio nativo para definir cajas delimitadoras alrededor de las estructuras objetivo.
   • El modelo fue entrenado y evaluado íntegramente dentro del espacio nativo, evitando las transformaciones inversas de las etiquetas de segmentación finales.

3. Adaptación de Dominio (Datos Sintéticos):

   • Para abordar la caída del rendimiento al aplicar modelos entrenados en 7T a datos de 3T, los autores generaron imágenes 3T sintéticas a partir de datos de entrenamiento de 7T utilizando dos métodos:
     • Simple: Estandarización de histograma mediante el emparejamiento lineal por partes.
     • Avanzado: Un marco MURD (Multi-site Unsupervised Representation Disentangler) modificado para desenredar el contenido anatómico del estilo específico del sitio (variaciones de intensidad) y generar imágenes similares a las de 3T.
   • Los modelos entrenados con datos de 7T fueron probados con y sin estas aumentaciones de datos 3T sintéticos para evaluar la transferibilidad del conocimiento.

Contribuciones Clave

• Evaluación Comparativa: Una comparación directa y cuantitativa de los pipelines de segmentación de espacio nativo frente a los de espacio de plantilla para estructuras subcorticales, aislando específicamente el impacto del paso de transformación inversa.
• Análisis de Resolución: Una investigación sobre si aumentar la resolución de la plantilla (0.5 mm vs. 1 mm) mitiga la pérdida de precisión asociada con los flujos de trabajo basados en plantillas.
• Investigación del Vacío de Dominio: Una evaluación sistemática de la transferibilidad de modelos de 7T a 3T y la eficacia de la aumentación de datos sintéticos (emparejamiento de histogramas vs. MURD) para cerrar el vacío de campo sin requerir etiquetas manuales de 3T.

Resultos

• Nativo vs. Plantilla (Datos 7T): En los datos de prueba de 7T no incluidos en el entrenamiento, el pipeline de espacio nativo superó consistentemente a los enfoques basados en plantillas.
  • Para el STN, el método nativo logró un coeficiente Dice de 0.775 ± 0.055 frente a 0.713 ± 0.051 para la plantilla de 1 mm y 0.650 ± 0.166 para la de 0.5 mm.
  • El método nativo también mostró una precisión de frontera superior (menor HD95) para el STN y la SN.
  • Hallazgo Contraintuitivo: Aumentar la resolución de la plantilla de 1 mm a 0.5 mm degradó el rendimiento, lo que sugiere que la fuente del error es el proceso de transformación afín/interpolación y no una resolución insuficiente de la plantilla.
• Transferibilidad de 7T a 3T: Los modelos entrenados exclusivamente con datos de 7T sufrieron una caída significativa de rendimiento al aplicarse a imágenes de 3T (por ejemplo, el Dice del STN cayó de ~0.775 a ~0.556 para el pipeline nativo).
• Impacto de los Datos Sintéticos:
  • La adición de datos sintéticos de 3T (generados mediante MURD o emparejamiento de histogramas) produjo mejoras modestas e inconsistentes para la segmentación de 3T.
  • Aunque MURD mejoró el Dice y el HD95 del Núcleo Rojo (RN) en el pipeline de plantilla, ofreció ganancias limitadas para el STN y la SN.
  • Crucialmente, la adición de datos sintéticos no degradó significativamente el rendimiento en los datos de prueba de 7T, lo que indica que el entrenamiento mixto de campos es seguro pero no necesariamente transformador para la generalización a 3T en este contexto.

Significancia y Reivindicaciones
El artículo concluye que la segmentación en espacio nativo es preferible para aplicaciones que requieren una alta fidelidad anatómica específica del paciente, como la planificación quirúrgica en la EP. El estudio demuestra que la transformación afín inversa requerida por los flujos de trabajo basados en plantillas introduce un cuello de botella significativo, particularmente para estructuras pequeñas y variables como el STN, donde incluso las plantillas de alta resolución no logran compensar los errores de registro.

Respecto a la adaptación de dominio, los autores sostienen que, si bien la generación de datos sintéticos de 3T es una estrategia viable que no daña el rendimiento de 7T, no cierra completamente el vacío de dominio entre 7T y 3T. Las limitaciones de los métodos actuales de transferencia de estilo (como MURD) para replicar las complejas diferencias en las relaciones contraste-ruido y la visibilidad de los bordes tisulares entre los distintos campos de fuerza sugieren que cerrar este vacío sigue siendo un desafío abierto que requiere trabajos futuros sobre la adaptación de dominio adaptada específicamente a las estructuras subcorticales. Los hallazgos apoyan un cambio hacia pipelines de segmentación específicos del paciente para evitar la pérdida de precisión inherente a la normalización espacial.