Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge

Resumen Técnico: Segmentación de Lesiones en Traumatismo Craneoencefálico Moderado a Grave

Declaración del Problema
La segmentación de lesiones en el traumatismo craneoencefálico moderado a grave (msTBI, por sus siglas en inglés) a partir de resonancias magnéticas ponderadas en T1 presenta un desafío clínico y computacional significativo. A diferencia de otras patologías como el accidente cerebrovascular o los tumores, las lesiones de msTBI exhiben una profunda heterogeneidad en tamaño, forma, ubicación y afectación tisular (que abarca la sustancia gris, la sustancia blanca y el LCR). Esta variabilidad, combinada con la frecuente extensión de las lesiones a través de regiones bilaterales y múltiples tipos de tejido, complica el registro, la normalización y la parcelación estándar de las imágenes. Las herramientas automatizadas existentes suelen fallar al generalizarse ante estos diversos patrones, lo que lleva a los investigadores a depender de una segmentación manual laboriosa o a excluir a pacientes con lesiones significativas, limitando así el poder estadístico de los estudios a gran escala. El Desafío AIMS-TBI 2025 se estableció para abordar estas barreras mediante la evaluación comparativa de algoritmos de segmentación robustos en datos de múltiples centros y cohortes.

Metodología
Los autores proponen una solución de aprendizaje profundo basada en el marco de trabajo nnU-Net, utilizando específicamente la variante Residual Encoder Large (resencL). La innovación central reside en el flujo de trabajo de preprocesamiento, que introduce una estrategia de Normalización Adaptativa restringida al parénquima cerebral.

• Fuente de Datos: El estudio utilizó el conjunto de datos AIMS-TBI 2025, que comprende 875 exploraciones de RM ponderadas en T1 de 13 sitios internacionales (Consorcio ENIGMA), cubriendo edades de 5 a 85 años. El conjunto de datos incluye diversas patologías de lesión (contusiones, hematomas, encefalomalacia, etc.) y se dividió en conjuntos de entrenamiento (500), validación (100) y prueba (275).
• Normalización Adaptativa Anatómicamente Restringida: La normalización convencional calcula la media y la desviación estándar sobre todo el volumen de la imagen, incluyendo el cráneo y el fondo. Los autores argumentan que esto introduce variabilidad intersujeto debido a estructuras no cerebrales. En su lugar, su método:
  1. Extrae una máscara del parénquima cerebral utilizando HD-BET.
  2. Calcula las estadísticas de normalización ($\mu_{cerebro}$ y $\sigma_{cerebro}$) exclusivamente dentro de la región cerebral enmascarada.
  3. Normaliza las intensidades de los vóxeles utilizando estas estadísticas específicas del cerebro.
  4. Este enfoque tiene como objetivo reducir la varianza intersujeto y mitigar los artefactos de las estructuras no cerebrales, permitiendo que el modelo se concentre en las regiones patológicas.
• Estrategia de Entrenamiento: El modelo fue entrenado de extremo a extremo utilizando una función de pérdida híbrida (pérdida de Dice + Entropía Cruzada). El entrenamiento incorporó un extenso aumento de datos (rotaciones aleatorias, escalado, volteo, perturbaciones de intensidad, deformaciones elásticas, correcciones de gamma y ruido gaussiano) para mejorar la generalización.
• Inferencia: Se aplicó el aumento de tiempo de prueba (TTA) mediante el reflejo de las imágenes a lo largo de los ejes espaciales, promediando las predicciones para mejorar la robustez.

Contribuciones Clave

1. Normalización Adaptativa: La principal contribución es la implementación de una estrategia de normalización de intensidad restringida al parénquima cerebral. Esto aborda la heterogeneidad específica de los datos de msTBI, donde las estructuras no cerebrales pueden sesgar las distribuciones de intensidad global.
2. Configuración de nnU-Net: La aplicación de la variante resencL (Residual Encoder Large) de nnU-Net, que aprovecha los bloques residuales para mejorar la representación de características y el flujo de gradiente, adaptada para los complejos patrones de lesión de msTBI.
3. Desempeño Equilibrado: La metodología demuestra una estrategia de compensación específica: priorizar la preservación precisa del tejido no lesionado mientras se mantiene una detección de lesiones competitiva, lo que resulta en un desempeño general robusto.

Resultados
El método fue evaluado en el conjunto de prueba reservado del Desafío AIMS-TBI 2025 utilizando cuatro métricas oficiales: posición media, Dice de la lesión, Dice de la no lesión y Dice General.

• Desempeño Final: El método propuesto ("DA5 + Adaptive Norm.") logró un Coeficiente de Dice General de 0.6305, situando al equipo en una posición media de 5.5 en la tabla de clasificación.
• Desglose de Componentes:
  • Dice de la Lesión: 0.4805. Los autores señalan que este puntaje refleja la dificultad inherente de detectar lesiones altamente heterogéneas.
  • Dice de la No Lesión: 0.9324. Este alto puntaje indica la fuerte especificidad del modelo para identificar correctamente los vóxeles que no son lesiones.
• Estudios de Ablación: Los resultados preliminares de desarrollo (Tabla 1) mostraron que la combinación de un aumento de datos extensivo (DA5) con la Normalización Adaptativa produjo los puntajes más altos tanto en la fase de desarrollo como en la de prueba final, superando a las estrategias que utilizaban solo el aumento de datos.
• Comparación: Aunque algunos equipos competidores lograron puntajes de Dice de lesión más altos, a menudo lo hicieron a costa de una reducción en la precisión de la no lesión (mayores falsos positivos). El enfoque de los autores mantuvo un desempeño bien equilibrado, evitando la sobresegmentación.

Significancia y Reivindicaciones
El artículo sostiene que la incorporación de una normalización anatómicamente restringida dentro del flujo de trabajo de nnU-Net es una estrategia poderosa y efectiva para abordar las complejidades de la segmentación de lesiones de msTBI. Los resultados sugieren que reducir la varianza de intensidad intersujeto al centrar la normalización en el parénquima cerebral mejora significamente la robustez del modelo en datos de RM multi-sitio y heterogéneos.

Los autores mantienen una postura modesta respecto a la capacidad de detección de lesiones (Dice ~0.48), reconociendo que la detección de lesiones pequeñas o difusas sigue siendo difícil. Sin embargo, enfatizan que su enfoque logra equilibrar con éxito la segmentación de lesiones con la fidelidad del tejido sano. Concluyen que la segmentación automatizada precisa es un prerrequisito para análisis de neuroimagen avanzados (por ejemplo, conectividad, predicción de resultados) y que el trabajo futuro debe centrarse en mejorar la sensibilidad a las lesiones pequeñas/difusas mediante características multiescala e integración multimodal, sin comprometer la especificidad de las regiones de no lesión.