A Configurable Privacy-Preserving MRI Processing Workflow Using Deep Learning-Based Brain Extraction and Adaptive Anatomical Preservation

Resumen Técnico: Un Flujo de Trabajo de Procesamiento de RM Configurable y Preservador de la Privacidad

Planteamiento del Problema
La Resonancia Magnética (RM) estructural es esencial para la investigación en neuroimagen y la práctica clínica; sin embargo, la creciente disponibilidad de conjuntos de datos públicos introduce riesgos significativos de privacidad. A diferencia de las imágenes médicas convencionales, los volúmenes de RM estructural suelen retener información anatómica facial y craneal que puede conducir a la reidentificación del paciente si no se anonimizan adecuadamente. Aunque los métodos de extracción de cerebro (extracción de cráneo) basados en aprendizaje profundo, como SynthStrip, han mejorado la robustez de la segmentación automatizada, suelen generar un único resultado de preprocesamiento fijo. Esta rigidez limita la capacidad de los investigadores para equilibrar la compensación entre una protección de la privacidad estricta (eliminación agresiva de estructuras periféricas) y la preservación de las regiones de límites anatómicamente relevantes requeridas para tareas analíticas posteriores específicas. Además, los flujos de trabajo existentes suelen carecer de procedimientos integrados y sistemáticos de control de calidad para verificar el comportamiento de preservación de manera consistente.

Metodología
El artículo propone un flujo de trabajo de preprocesamiento de RM modular y configurable que extiende la extracción de cerebro basada en aprendizaje profundo en lugar de reemplazarla. El flujo de trabajo está implementado en Python utilizando librerías de neuroimagen de código abierto dentro del entorno de investigación reproducible Renku y consta de cinco etapas secuenciales:

1. Extracción de Cerebro Basada en Aprendizaje Profundo: El flujo de trabajo utiliza SynthStrip como motor de segmentación base. SynthStrip procesa volúmenes de RM ponderados en T1 estructurales brutos para generar una máscara cerebral binaria y una imagen con el cerebro extraído. Este paso separa el tejido intracraneal de la anatomía circundante con una intervención mínima del usuario.
2. Preservación Anatómica Adaptativa: En lugar de detenerse en el cerebro extraído, el flujo de trabajo aplica una expansión morfológica a la máscara cerebral binaria. Esto genera niveles de preservación basados en "capas" (shells). El estudio evalúa dos configuraciones: una expansión de una capa (aprox. 1 mm) para una anonimización más fuerte y una expansión de dos capas (aprox. 2 mm) para retener contexto anatómico periférico adicional. Este proceso es independiente del modelo de segmentación, lo que permite derivar múltiples niveles de preservación a partir de un único resultado de extracción.
3. Marco de Preservación Interactivo (IPF): Para abordar la necesidad de requisitos específicos de cada estudio, el flujo de trabajo incluye un componente interactivo. Este presenta simultáneamente múltiples configuraciones de preservación generadas a partir del único resultado de la extracción cerebral. Los investigadores pueden comparar visualmente las compensaciones entre privacidad y contexto anatómico antes de seleccionar el resultado final. Un sistema de recomendación ligero basado en reglas sugiere capas óptimas cuando estas satisfacen criterios heurísticos predefinidos, incluyendo la confianza del límite, la ganancia de volumen relativo, la distancia del límite y la exposición estimada de la privacidad por debajo de un umbral predefinido.
4. Marco de Control de Calidad (QCF): Una etapa de verificación integrada produce visualizaciones en múltiples planos (axial, coronal, sagital) e imágenes de superposición de la máscara cerebral. Esto permite a los investigadores verificar sistemáticamente la precisión de la extracción del cerebro y la consistencia de los márgenes de preservación a través del volumen 3D.
5. Generación de Salida: La configuración seleccionada se exporta como un volumen de RM preservador de la privacidad, adecuado para compartir de forma segura o para análisis posteriores.

Contribuciones Clave
El artículo identifica cinco contribuciones principales:

• Flujo de Trabajo Configurable: El desarrollo de un marco unificado que integra la extracción por aprendizaje profundo, la preservación adaptativa, la selección interactiva y el control de calidad.
• Marco de Preservación Anatómica Adaptativa: Un módulo de post-procesamiento que genera niveles de preservación basados en capas configurables a partir de una única segmentación, permitiendo compensaciones flexibles entre la privacidad y el contexto anatómico sin modificar el algoritmo de extracción subyacente.
• Marco de Preservación Interactivo: Un mecanismo que permite a los investigadores comparar visualmente y seleccionar configuraciones de preservación basadas en objetivos específicos de privacidad y análisis, evitando la ineficiencia de volver a ejecutar la segmentación para diferentes parámetros.
• Control de Calidad Sistemático: Un marco integrado que proporciona visualizaciones en múltiples planos y verificación de superposición para asegurar la transparencia y la reproducibilidad en el preprocesamiento.
• Implementación Modular: Una implementación reproducible utilizando Python, SynthStrip y Renku, diseñada para ser extensible a futuras algoritmos de segmentación y tecnologías de privacidad.

Resultados Experimentales
El flujo de trabajo fue evaluado utilizando 581 volúmenes de RM T1 estructurales del conjunto de datos público IXI (464 sujetos para desarrollo y 117 para validación).

• Desempeño Cuantitativo: La etapa de extracción de cerebro logró un Coeficiente de Similitud de Dice (DSC) de 98.73%, una Intersección sobre Unión (IoU) de 97.48%, Precisión de 99.05%, Recall de 98.41% y una Puntuación F1 de 98.73%. Estas métricas indican una alta concordancia entre las máscaras predichas y las anotaciones de referencia.
• Desempeño Cualitativo: Los resultados demostraron que el marco basado en capas podía generar consistentemente niveles de preservación anatómicamente plausibles. La configuración de una capa proporcionó una preservación de límites mínima para una anonimización máxima, mientras que la configuración de dos capas retuvo contexto adicional. El marco interactivo permitió con éxito la comparación visual de estos niveles, y el marco de control de calidad proporcionó una verificación clara en múltiples planos de los resultados del procesamiento.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en cambiar el paradigma de un preprocesamiento de salida fija a un enfoque configurable y guiado por el usuario. Al desacoplar el algoritmo de segmentación de la estrategia de preservación, el flujo de trabajo mejora la utilidad práctica de las herramientas de aprendizaje profundo existentes como SynthStrip. Aborda el desafío específico de equilibrar la privacidad del paciente con la necesidad de contexto anatómico en la investigación colaborativa. Los autores sostienen que este diseño modular mejora la transparencia, la reproducibilidad y la flexibilidad, proporcionando una base práctica para la investigación de neuroimagen que preserva la privacidad y el procesamiento seguro de imágenes médicas sin requerir el desarrollo de nuevas redes de segmentación. El trabajo enfatiza que no pretende encontrar una distancia de preservación "universalmente óptima", sino que proporciona la infraestructura para que los investigadores seleccionen el nivel apropiado para sus objetivos de estudio específicos.