Realistic noise synthesis reduces bias and improves tissue microstructure estimation with supervised machine learning

Résumé technique : Synthèse de bruit réaliste pour une estimation supervisée non biaisée de la microstructure en dMRI

Énoncé du problème
L'imagerie de diffusion par résonance magnétique (dMRI) permet de sonder de manière non invasive la microstructure tissulaire, pourtant l'estimation précise des paramètres est fréquemment compromise par des effets liés au bruit. Une source primaire de biais systématique provient des propriétés de bruit non triviales des données IRM reconstruites en magnitude. Plus précisément, la reconstruction en magnitude transforme un bruit gaussien complexe de moyenne nulle en une distribution de Rice, ce qui fait que l'espérance du signal dévie de l'amplitude réelle du signal sous-jacent, particulièrement à des rapports signal sur bruit (SNR) faibles. De plus, les étapes de prétraitement standard, telles que le débruitage par l'analyse en composantes principales de Marchenko–Pastur (MPPCA), modifient la variance et la distribution effectives du bruit, résultant souvent en un signal approximé par une gaussienne avec une moyenne décalée et une déviation standard réduite.

Dans les cadres d'apprentissage automatique (ML) supervisés, qui reposent sur des données d'entraînement simulées pour apprendre les correspondances entre signaux et paramètres microstructuraux, un « décalage de covariables » (covariate shift) se produit lorsque les caractéristiques du bruit des données d'entraînement simulées ne correspondent pas à celles des signaux expérimentaux acquis. Si les données d'entraînement sont générées à partir de signaux sans bruit ou de modèles de bruit simplifiés ignorant le biais induit par la magnitude et la variance post-traitement, les estimateurs résultants présentent un biais systématique dépendant du SNR et une réduction de la généralisation, particulièrement dans les régimes de faible SNR associés à des valeurs b élevées ou à une résolution spatiale élevée.

Méthodologie
Les auteurs proposent un cadre de Synthèse de Bruit Réaliste (RNS) conçu pour aligner les propriétés statistiques des données d'entraînement simulées avec les signaux d'inférence expérimentaux. Cette approche en deux étapes, conditionnée par les données, modélise à la fois le biais induit par la magnitude et la variance de bruit effective post-traitement :

1. Étape 0 : Estimation empirique du bruit : Le cadre estime l'écart-type du bruit thermique par voxel ($\sigma$) à partir des données brutes (ex: via MPPCA) et l'écart-type du bruit effectif post-traitement ($\sigma^*$) à partir des résidus des ajustements en harmoniques sphériques (SH) des données prétraitées. Ces valeurs sont agrégées pour former des distributions empiriques destinées à l'échantillonnage lors de l'entraînement.
2. Étape 1 : Injection du biais induit par la magnitude : Pour un signal sans bruit $S$ donné, le cadre calcule l'espérance de la distribution de Rice correspondante, $\mu_R(S, \sigma)$, en utilisant l'écart-type du bruit thermique $\sigma$ estimé. Cela remplace le signal sans bruit par l'espérance biaisée observée dans les données de magnitude.
3. Étape 2 : Injection du bruit effectif : Un bruit gaussien de moyenne nulle avec un écart-type $\sigma^*$ est ajouté au signal biaisé par la distribution de Rice. Cela capture la réduction de variance observée après le débruitage tout en préservant le décalage de la moyenne dépendante du signal.

Le cadre a été évalué en utilisant deux modèles biophysiques : un modèle à deux compartiments cylindre-zeppelin et le modèle SANDI (Soma and Neurite Density Imaging). Des jeux de données simulés à travers plusieurs niveaux de SNR ont été utilisés, ainsi que des données in vivo issues d'acquisitions répétées (Manzano Patrón et al.) et d'acquisitions à gradients ultra-élevés (Connectom). Les performances des estimateurs entraînés par RNS (utilisant le Bootstrap Aggregating et des régresseurs Multi-Layer Perceptron) ont été comparées à l'ajustement NLLS (moindres carrés non linéaires) sensible au bruit et à des estimateurs de base (ML) entraînés avec des modèles de bruit simplifiés (offset de Rice uniquement, ou bruit gaussien uniquement).

Résultats clés

• Réduction du biais : L'entraînement sur des signaux ignorant les effets de magnitude (Estimateur 2b) a produit un biais systématique dépendant du SNR, particulièrement à faible SNR. L'incorporation de l'espérance de Rice (Estimateurs 1, 2a, 2c, 2d) a substantiellement réduit ce biais pour atteindre des niveaux comparables à l'ajustement NLLS sensible au bruit.
• Amélioration de la précision : La modélisation supplémentaire de l'écart-type effectif ($\sigma^*$) lors de l'entraînement (Estimateurs 2c et 2d) a encore amélioré la précision des estimations, réduisant l'écart-type des résidus par rapport aux modèles qui ne prenaient en compte que la moyenne de Rice.
• Robustesse à l'architecture : Les gains de performance étaient largement indépendants de l'architecture de régression. Les régresseurs de type Bootstrap Aggregating (BR) et Multi-Layer Perceptron (MLP) ont tous deux montré des améliorations similaires lorsqu'ils étaient entraînés avec le cadre RNS, indiquant que la stratégie de modélisation du bruit est le facteur dominant par rapport à la topologie spécifique du réseau.
• Sensibilité à l'estimation du bruit : L'étude a révélé que la méthode est sensible à l'exactitude de l'estimation du bruit. Une erreur d'estimation de l'écart-type du bruit (même de $\pm 10\%$ à $20\%$) a introduit un biais systématique dans les paramètres récupérés. La sous-estimation du bruit a conduit à une surestimation des fractions de signal, tandis que la surestimation a conduit à une sous-estimation.
• Validation in vivo : Sur des données in vivo avec un faible SNR (résolution de 0,9 mm³), l'estimateur entraîné par RNS a produit des cartes de paramètres plus stables avec un contraste substance blanche–substance grise préservé et une réduction de la surestimation apparente des fractions de signal par rapport aux méthodes de base. Des améliorations similaires ont été observées pour le modèle SANDI à des valeurs b élevées.

Signification et affirmations
L'article affirme qu'une modélisation réaliste des statistiques du bruit dans les simulations d'entraînement est essentielle pour une estimation microstructurale supervisée non biaisée en dMRI. En traitant explicitement le décalage de covariables dans le domaine du signal — en alignant la moyenne et la variance des signaux d'entraînement avec ceux des données d'inférence — le cadre RNS proposé atténue le biais systématique qui affecte typiquement les approches de ML supervisées dans les régimes de faible SNR.

Les auteurs soutiennent que les attributions précédentes d'un biais plus élevé en ML (par rapport au NLLS) à des stratégies d'échantillonnage doivent être réévaluées, car leurs résultats démontrent que les estimateurs supervisés peuvent égaler les performances de biais du NLLS classique lorsque la distribution d'entraînement est statistiquement cohérente avec les conditions expérimentales. L'étude souligne que si la conception de la distribution des paramètres est importante, la modélisation précise de la distribution du signal d'entrée (spécifiquement le biais de magnitude et la variance du bruit effectif) est un prérequis critique pour une inférence robuste et non biaisée, particulièrement pour les modèles de microstructure avancés opérant sous des conditions d'acquisition difficiles.