Resumen Técnico: Representaciones de RM Supervisadas por Metadatos para el Modelado y Control de la Variabilidad de Adquisición

Planteamiento del Problema

Los datos de Imagen por Resonancia Magnética (IRM) exhiben una variabilidad de adquisición sustancial, donde estructuras anatómicas idénticas aparecen marcadamente diferentes entre distintos escáneres, intensidades de campo y protocolos de imagen. Este "desplazamiento de adquisición" entrelaza la estructura biológica con la apariencia dependiente de la adquisición en las representaciones aprendidas, limitando la interpretabilidad, la generalización y el despliegue clínico de los modelos de IRM automatizados.

Los enfoques actuales para abordar este problema suelen tratar la variabilidad de adquisición como un factor de molestia que debe eliminarse mediante la generalización de dominio (suprimiendo características discriminativas de dominio) o la armonización de imágenes (mapeando las imágenes a una apariencia objetivo). Sin embargo, estos métodos a menudo ignoran la naturaleza estructurada y físicamente significativa de la variabilidad de la IRM. Además, aunque los metadatos DICOM contienen los determinantes causales del contraste de la imagen (por ejemplo, tiempo de eco, tiempo de repetición, tipo de secuencia), estos se infrautilizan frecuentemente en el aprendizaje de representaciones o se consideran poco fiables debido a las inconsistencias en los archivos retrospectivos. El desafío central es separar explícitamente la estructura anatómica de la apariencia dependiente de la adquisición, aprovechando los metadatos para modelar, auditar y controlar esta variabilidad.

Metodología: El Marco MaRaI

Los autores presentan MaRaI (Multimodal Acquisition-aware Radiology AI), un marco que trata los metadatos DICOM no como etiquetas auxiliares, sino como supervisión estructurada para el aprendizaje de representaciones desentrelazadas. El marco consta de dos componentes principales que comparten un espacio de representación común:

1. MR-CLIP: Aprendizaje Contrastivo Guiado por Metadatos

MR-CLIP alinea los volúmenes de IRM con prompts de lenguaje natural construidos a partir de etiquetas de adquisición DICOM utilizando un objetivo contrastivo supervisado (SupCon).

• Procesamiento de Metadatos: Los parámetros temporales numéricos (TE, TR, TI) se discretizan en contenedores (bins), y las etiquetas categóricas se agrupan para formar etiquetas de supervisión "conscientes del contraste". Estas se formatean en prompts de lenguaje natural (por ejemplo, "Una IRM cerebral, plano..., Escáner..., Adquisición..., Parámetros de Imagen...").
• Arquitectura: El modelo utiliza un Transformer de Visión (ViT) para las imágenes y un transformer de texto para los prompts de metadatos. Emplea una pérdida contrastiva supervisada bidireccional para acercar los volúmenes que comparten el mismo protocolo de adquisición (independientemente de la anatomía o el sujeto) y alejar aquellos con diferentes protocolos.
• Variantes: El marco admite configuraciones 2D (nivel de corte), 2.5D (corte agregado) y 3D (volumétrica).

2. DIST-CLIP: Factorización y Armonización de Anatomía-Contraste

Basándose en los embeddings de contraste de MR-CLIP, DIST-CLIP factoriza cada exploración en dos componentes:

• Mapa Anatómico ($\beta$): Una representación invariante a la adquisición que captura la estructura tisular (geometría de los surcos, forma de los ventrículos, límites).
• Representación de Contraste ($\theta$): Un código que codifica la apariencia dependiente de la adquisición.

Arquitectura y Síntesis:

• Mapeador de Anatomía: Un codificador U-Net extrae $\beta$ de la imagen de origen, suprimiendo los patrones de intensidad específicos del contraste.
• Decodificador de Fusión de Estilo: Un nuevo decodificador que fusiona $\beta$ con un código de contraste objetivo ($\theta$) para generar una imagen armonizada.
  • Condicionamiento: El decodificador está condicionado por $\theta$, derivado ya sea de una imagen de referencia (DIST-CLIP/I) o directamente de los metadatos de adquisición (DIST-CLIP/T).
  • Mecanismo: Utiliza Normalización de Instancia Adaptativa (AdaIN) y Atención Cruzada (Cross-Attention) para modular las características anatómicas. Un MLP mapea el embedding de contraste a consultas de estilo y estadísticas por canal, las cuales reescalan las características atendidas para que coincidan con las estadísticas de intensidad del objetivo mientras preservan la disposición anatómica.
• Objetivos de Entrenamiento: El modelo minimiza una pérdida compuesta que incluye reconstrucción ($L_{rec}$), pérdida perceptual ($L_{perc}$), pérdida adversarial ($L_{adv}$), alineación de contraste a nivel de parche para la anatomía ($L_{\beta}$), consistencia de estilo global ($L_{global}$) y consistencia direccional ($L_{dir}$).

Contribuciones Clave

1. Desentrelazamiento de Anatomía-Contraste con Relevancia Clínica: Los autores demuestran que los mapas anatómicos derivados de DIST-CLIP reducen la variabilidad impulsada por la adquisición en la morfometría tisular. Crucialmente, los clasificadores entrenados en estas representaciones desentrelazadas muestran una mejora en la generalización entre proveedores (Siemens a GE) para la clasificación de la enfermedad de Alzheimer en comparación con la IRM bruta, estableciendo que el desentrelazamiento explícito ofrece beneficios clínicos medibles más allá de la consistencia visual.
2. Armonización Unificada a través de Contrastes y Sitios: El marco introduce un único modelo capaz de realizar una armonización de alta fidelidad en todos los principales contrastes de IRM cerebral y escáneres. Soporta síntesis guiada por imagen y condicionada por metadatos, permitiendo la generación de apariencias objetivo sin requerir una exploración de referencia (usando solo metadatos). Esto unifica la adaptación entre modalidades y sitios de una manera que los marcos previos no hicieron.
3. Aprendizaje de Representación Consciente del Contraste Impulsado por Metadatos: Al introducir una estrategia de discretización de metadatos, los autores permiten el aprendizaje contrastivo supervisado a gran escala. Los embeddings resultantes de MR-CLIP admiten la recuperación transmodal, la clasificación de secuencias de pocos disparos (few-shot) y el control de calidad automatizado, superando a los baselines supervisados y demostrando que los metadatos de adquisición pueden estructurar eficazmente los archivos clínicos a gran escala.

Resultados

• Estabilidad Anatómica: Las representaciones anatómicas ($\beta$) redujeron significativamente el coeficiente de variación (CV) en los volúmenes de segmentación tisular (Materia Gris, Materia Blanca, LCR) a través de diferentes secuencias en comparación con las imágenes brutas, manteniendo puntuaciones Dice similares para la segmentación de tejidos.
• Generalización entre Proveedores: En el conjunto de datos ADNI, los clasificadores de la enfermedad de Alzheimer que utilizan entradas $\beta$ alcanzaron una precisión equilibrada más alta al generalizar de escáneres Siemens a GE en comparación con las entradas de IRM bruta.
• Calidad de la Armonización:
  • Fidelidad: Las variantes de DIST-CLIP lograron puntuaciones superiores de SSIM y PSNR en comparación con los baselines (HACA3 y TUMSyn) en tareas de traducción de contraste (ej. T2w $\rightarrow$ PDw, FLAIR $\rightarrow$ T2w).
  • Preservación Estructural: En datos clínicos no vistos, DIST-CLIP logró puntuaciones Dice significativamente más altas (0.78) para la consistencia de segmentación en comparación con HACA3 (0.70) y TUMSyn (0.38).
  • Utilidad de Aplicación: En el conjunto de datos externo ON-Harmony, los datos armonizados redujeron significativamente la precisión de clasificación de escáner/sitio (de 0.79 a 0.42) mientras preservaban el rendimiento de la predicción de la edad cerebral (el MAE se mantuvo estable), lo que indica la eliminación exitosa de la confusión específica del escáner sin perder la señal biológica.
• Organización de Metadatos y Control de Calidad:
  • Recuperación: MR-CLIP logró un alto recall en la recuperación transmodal (ej. 90.9% para el emparejamiento de metadatos con el corte).
  • Aprendizaje de Pocos Disparos (Few-Shot): Los clasificadores lineales sobre los embeddings congelados de MR-CLIP superaron significativamente a los ResNets 3D de extremo a extremo en escenarios de clasificación de secuencias de pocos disparos.
  • Control de Calidad: El marco detectó con éxito corrupciones de metadatos sintéticas (errores numéricos, etiquetas incorrectas, campos faltantes) con un AUC alto (hasta 0.997 para ediciones severas) midiendo la similitud de coseno entre los embeddings de la imagen y los metadatos.

Significado y Reivindicaciones

El artículo afirma que la variabilidad de la adquisición no es simplemente una fuente inevitable de desplazamiento de dominio, sino un componente estructurado del proceso de imagen que puede ser modelado, auditado y controlado. Al aprovechar los metadatos de adquisición rutinarios presentes en cada archivo DICOM clínico, MaRaI ancla las representaciones donde la anatomía y el contraste son separables.

Los autores sostienen que este enfoque permite:

• Síntesis Controlable: Generar apariencias objetivo sin requerir siempre una exploración de referencia, basándose en su lugar en los metadatos de adquisición.
• Auditoría Escalable: Examinar colecciones de imágenes para verificar la integridad de los metadatos antes del análisis.
• IA Clínica Robusta: Un camino hacia modelos fundacionales que sean robustos a la heterogeneidad que caracteriza a los datos hospitalarios del mundo real.

El trabajo sugiere que separar la anatomía de la apariencia dependiente de la adquisición permite una comparación entre sitios con principios y un control de calidad sistemático, transformando la variabilidad de la adquisición de una barrera en una variable estructurada y gestionable. Los autores mantienen la modestia, señalando que, si bien el marco separa la anatomía de la adquisición, factores como la patología y el movimiento permanecen parcialmente desentrelazados, y se requiere una validación adicional a través de diversos entornos clínicos y demografías de pacientes.