Resumen Técnico: ProgFormer

Planteamiento del Problema

Predecir la resonancia magnética estructural (sMRI) futura del cerebro es una tarea crítica para analizar y pronosticar enfermedades neurodegenerativas como el Alzheimer. Sin embargo, esto presenta un desafío único: los cambios longitudinales suelen ser sutiles y estar confinados a regiones anatómicas específicas (por ejemplo, el hipocampo, los ventrículos laterales), mientras que la mayor parte de la estructura cerebral del sujeto permanece estable a lo largo del tiempo.

Los métodos existentes generalmente se dividen en dos categorías, ambas con limitaciones:

1. Métodos basados en el espacio latente: Codifican los escaneos en representaciones de baja dimensión antes de la predicción. Aunque son computacionalmente eficientes, dependen de un autoencoder aprendido por separado, lo que puede introducir pérdida de información durante la compresión y reconstrucción, degradando potencialmente la fidelidad de los detalles estructurales finos.
2. Métodos directos en el espacio de vóxeles: Predicen las salidas directamente en el espacio de vóxeles para evitar la reconstrucción latente. Sin embargo, suelen emplear una vía de predicción unificada para modelar tanto la estructura cerebral global estable como los cambios locales sutiles relacionados con la progresión. En consecuencia, el contenido estable dominante suele eclipsar las variaciones locales sutiles, lo que dificulta la resolución de la progresión de la enfermedad a nivel de grano fino.

Metodología: ProgFormer

Los autores proponen ProgFormer, un Transformer de difusión jerárquico en el espacio de vóxeles diseñado para abordar estos desafíos sin depender de un autoencoder de imagen entrenado por separado. El modelo opera dentro del marco de Igualación de Flujo Condicional (Conditional Flow Matching), aprendiendo un campo de velocidad para transportar el ruido gaussiano hacia la distribución de la resonancia magnética futura objetivo.

Arquitectura Central

ProgFormer estructura la predicción en dos vías distintas pero acopladas:

1. Vía Gruesa (Razonamiento a Nivel de Parche - Coarse Pathway):

   • Entrada: Procesa los escaneos observados y el estado de flujo actual como tokens de parches 3D no superpuestos ($p \times p \times p$).
   • Mecanismo: Utiliza Atención de Múltiples Cabezales Espacial (Spatial Multi-Head Self-Attention, MHSA) dentro de cada escaneo y MHSA Causal Temporal a través de los escaneos observados. Esto permite al modelo capturar la estructura cerebral global y el contexto longitudinal.
   • Salida: Genera una velocidad volumétrica primaria ($\nu_{coarse}$) y representaciones gruesas ($C$) que codifican la estructura de todo el cerebro y el contexto temporal.

2. Vía Fina (Refinamiento a Nivel de Vóxel - Fine Pathway):

   • Entrada: Opera sobre tokens de vóxeles individuales dentro de cada parche 3D.
   • Mecanismo: Aplica MHSA de Vóxel dentro de los parches y, crucialmente, una Atención Cruzada de Grueso a Fino (Coarse-to-Fine Multi-Head Cross-Attention, MHCA). En esta atención cruzada, los tokens de vóxeles actúan como consultas (queries), mientras que las representaciones gruesas ($C$) del parche correspondiente sirven como claves (keys) y valores (values).
   • Función: Este mecanismo utiliza la salida de la vía gruesa como "anclaje espacio-temporal" para guiar el refinamiento de los detalles estructurales locales y las variaciones de intensidad.
   • Salida: Genera una velocidad refinada ($\nu_{fine}$).

Integración e Inferencia

• Estimación de Velocidad: El campo de velocidad final predicho es la suma de las velocidades gruesa y fina: $\nu_\theta = \nu_{coarse} + \nu_{fine}$.
• Generación: Durante la inferencia, el modelo comienza desde ruido gaussiano e integra el campo de velocidad estimado a lo largo de una secuencia de pasos de Euler para generar la resonancia magnética futura predicha.
• Variantes: Los autores evalúan dos composiciones:
  • Secuencial (ProgFormer-S): Todos los bloques gruesos se completan antes de que comience cualquier bloque fino.
  • Intercalado (ProgFormer-I): Los bloques gruesos y finos se intercalan en etapas, permitiendo que los bloques finos reciban características gruesas progresivamente refinadas.

Condicionamiento y Entrenamiento

• Condicionamiento: El modelo se condiciona al tiempo de flujo, la edad objetivo y las covariables (diagnóstico, sexo) mediante AdaLN-Zero (Normalización de Capa Adaptativa con inicialización cero), que modula los parámetros de escala, desplazamiento y puerta para los módulos de atención y MLP.
• Función de Pérdida: Se utiliza un objetivo de igualación de flujo ponderado. Un mapa de etiquetas anatómicas (derivado de SynthSeg) asigna pesos más altos a las regiones relevantes para la progresión (por ejemplo, hipocampo, ventrículos) y pesos más bajos al tejido estable/fondo, asegurando que el modelo priorice los cambios relacionados con la enfermedad.

Contribuciones Clave

1. Arquitectura Jerárquica de Extremo a Extremo: ProgFormer es la primera arquitectura unificada que realiza conjuntamente el razonamiento espacio-temporal a nivel de parche global y el modelado de vóxeles intra-parche de grano fino para la predicción de resonancias magnéticas longitudinales sin un autoencoder separado.
2. Anclaje de Grueso a Fino: El diseño desacopla explícitamente el modelado de la estabilidad global (vía gruesa) de la progresión local sutil (vía fina), utilizando la primera para anclar la segunda, evitando así que los cambios sutiles sean eclipsados por las estructuras estables.
3. Rendimiento de Estado del Arte: Experimentos extensos en tres bancos de datos (ADNI, AIBL, OASIS) demuestran un rendimiento superior tanto en escenarios de predicción por pares como de trayectoria en comparación con los métodos existentes de espacio latente y de volumen directo.

Resultados Experimentales

El modelo fue evaluado en los conjuntos de datos ADNI, AIBL y OASIS utilizando PSNR, SSIM y el Error Absoluto Medio a Nivel de Región (R-MAE).

• Predicción por Pares: ProgFormer-S logró el PSNR más alto en las tres cohortes (por ejemplo, 26.39 en ADNI, superando al siguiente mejor por 0.20). ProgFormer-I logró la mejor precisión regional (menor R-MAE) y el SSIM más alto en ADNI.
• Predicción de Trayectoria: El uso de la historia observada (múltiples escaneos) mejoró significamente el rendimiento sobre las líneas base de una sola entrada. ProgFormer-S utilizando la historia alcanzó el PSHR más alto en todas las cohortes.
• Estudios de Ablación:
  • Eliminar la vía gruesa causó que la predicción colapsara (el PSNR cayó a ~7), confirmando su necesidad para establecer la estructura global.
  • Eliminar la vía fina o la atención cruzada degradó significativamente tanto la calidad de la imagen como la precisión regional, resaltando la importancia del refinamiento a nivel de vóxel guiado por el contexto grueso.
  • Se demostró que la ponderación regional es crítica; eliminarla provocó caídas significativas en el rendimiento, probando que enfatizar las regiones relevantes para la progresión mejora la fidelidad general.
• Análisis Visual: Los resultados cualitativos muestran que ProgFormer preserva las configuraciones ventriculares y los contornos corticales de manera más consistente que las líneas base, con errores concentrados en las regiones relevantes para la progresión en lugar de acumularse globalmente.

Significado y Reivindicaciones

El artículo afirma que ProgFormer demuestra la efectividad del modelado jerárquico en el espacio de vóxeles para la predicción volumétrica longitudinal. Al separar el modelado de la estructura global estable de los cambios locales sutiles, el método logra un pronóstico anatómicamente fiel y sensible a la progresión. Los autores posicionan esto como un paso significativo adelante respecto a los métodos de espacio latente (que sufren de pérdida de reconstrucción) y los métodos directos unificados (que tienen dificultades para resolver cambios sutiles frente a fondos estables). El trabajo establece que el modelado directo basado en Transformers, cuando se estructura jerárquicamente con anclaje espacio-temporal, es un enfoque viable y superior para generar futuras resonancias magnéticas cerebrales.