$\texttt{DisMorph}$: learning to disentangle technical distortions from true biological change

Resumen Técnico de DisMorph: Aprendiendo a Desentrelazar las Distorsiones Técnicas del Cambio Biológico Real

Planteamiento del Problema
La resonancia magnética (RM) longitudinal es esencial para cuantificar los cambios estructurales cerebrales asociados con el envejecimiento y las enfermedades neurodegenerativas. Sin embargo, la medición precisa se ve comprometida por las distorsiones geométricas introducidas por el hardware de la RM, particularmente la no linealidad del gradiente (GNL). Estas distorsiones técnicas varían entre escáneres y protocolos de adquisición. Los métodos convencionales de registro de imágenes deformables estiman un único campo de deformación para alinear las exploraciones longitudinales, lo que amalgama los cambios biológicos reales (p. ej., atrofia) con artefactos técnicos. Esta amalgama puede sesgar las mediciones morfométricas posteriores, reduciendo el poder estadístico y oscureciendo la progresión de la enfermedad, especialmente cuando persisten distorsiones residuales a pesar de las correcciones del fabricante o cuando los conjuntos de datos retrospectivos carecen de protocolos de corrección consistentes.

Metodología
Los autores proponen DisMorph, un marco de registro basado en el aprendizaje diseñado para descomponer explícitamente la deformación longitudinal en dos componentes distintos: un campo de distorsión técnica y un campo de cambio anatómico.

• Estrategia de Entrenamiento Sintético: DisMorph se entrena enteramente con datos sintéticos generados mediante un novedoso proceso generativo de dos etapas para evitar la dependencia de etiquetas de verdad fundamental (ground truth) del mundo real:
  1. Generador de Geometría: Partiendo de mapas de etiquetas anatómicas, este módulo aplica una transformación elástica aleatoria suave para simular la distorsión por GNL. Luego introduce cambios anatómicos (atrofia o crecimiento) mediante la reasignación iterativa de vóxeles de frontera entre estructuras objetivo y sus vecinas, basándose en ratios de cambio volumétrico muestreados.
  2. Generador de Intensidad: Este módulo sintetiza imágenes en escala de grises realistas a partir de los mapas de etiquetas distorsionados y atrofiados, aplicando medias de intensidad, varianzas y corrupciones aleatorias (campos de sesgo, transformaciones gamma, desenfoque, ruido) para asegurar la robustez ante la variabilidad de la adquisición en el mundo real.
• Arquitectura de la Red: El modelo emplea un codificador de doble flujo con pesos compartidos para procesar las imágenes fija y móvil. Utiliza un codificador de warping de pirámide para predecir dos campos de velocidad estacionaria (SVF) separados: uno para la distorsión ($v_d$) y otro para el cambio anatómico ($v_a$). Estos se integran mediante escalado y elevación al cuadrado (scaling and squaring) para producir campos de deformación deforma bles ($\phi_d$ y $\phi_a$).
• Objetivo de Entrenamiento: El modelo es supervisado utilizando los mapas de etiquetas conocidos del proceso de síntesis. La función de pérdida minimiza el error cuadrático medio entre los mapas de etiquetas deformados y las etiquetas de verdad fundamental para ambos componentes, la distorsión y la anatomía, combinados con un término de regularización de suavidad.

Contribuciones Clave

1. Desentrelazamiento Explícito: DisMorph es el primer marco de registro que separa explícitamente la deformación longitudinal en transformaciones técnicas (distorsión) y anatómicas (atrofia/crecimiento), en lugar de estimar un único campo amalgamado.
2. Entrenamiento Únicamente Sintético: El marco utiliza un modelo generativo que sintetiza tanto los efectos geométricos como las variaciones de intensidad de forma independiente, proporcionando "supervisión de desentrelazamiento" sin requerir datos emparejados del mundo real con una verdad fundamental conocida.
3. Aleatorización de Dominio: El flujo de entrenamiento incorpora la aleatorización de dominio a través de protocolos de imagen y contrastes para promover la generalización entre diferentes escáneres y sistemas de adquisición.

Resultados Experimentales
Los autores evaluaron DisMorph en tres entornos:

1. Datos Simulados (Verdad Fundamental Conocida): Utilizando modelos de atrofia biomecánica con cambios de volumen prescritos, DisMorph demostró un Error de Estimación de Atrofia (AAE) significativamente menor en comparación con el registro "estándar" convencional (que utiliza un único campo compuesto). La mejora fue más pronunciada en escenarios de baja atrofia, correspondientes a las etapas tempranas de la enfermedad.
2. Datos Reales de Solo Distorsión (fBIRN): En pares de imágenes que diferían únicamente por la distorsión de GNL (original vs. corregida por el fabricante), DisMorph atribuyó correctamente la gran mayoría del cambio geométrico al campo de distorsión ($\phi_d$), dejando el campo anatómico ($\phi_a$) con una señal mínima. Esto confirmó la especificidad del modelo en ausencia de cambio biológico.
3. Datos Longitudinales de la Enfermedad de Alzheimer (ADNI): En pares longitudinales de dos años de pacientes con AD, DisMorph aisló con éxito la atrofia subcortical esperada en el campo anatómico, identificando simultáneamente la distorsión residual en el campo de distorsión. La inspección visual confirmó que el modelo preservó la pérdida de tejido localizada (p. ej., atrofia del hipocampo) mientras corregía las desalineaciones suaves inducidas por el escáner.

Significación y Reivindicaciones
El artículo sostiene que, al desentrelazar la distorsión inducida por la RM del cambio biológico, DisMorph permite una morfometría longitudinal más precisa, particularmente en entornos clínicos donde mantener la consistencia de la adquisición es un desafío. Los autores señalan que su análisis de los datos de ADNI sugiere que la distorsión residual inducida por el escáner persiste incluso después de las correcciones estándar del fabricante. Posicionan a DisMorph como una herramienta complementaria a las correcciones de los fabricantes, capaz de mejorar la sensibilidad de los estudios de progresión de la enfermedad al reducir el sesgo relacionado con la distorsión. Se propone como trabajo futuro extender esta descomposición a otras fuentes de distorsión (p. ej., inhomogeneidad de B0) e investigar el impacto de esta descomposición en los modelos estadísticos de la enfermedad.