Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios

Résumé technique : Impact des images IRM lésionnelles synthétiques dans la détection automatisée de la dysplasie corticale focale en scénarios à faibles données

Énoncé du problème
La détection automatisée de la dysplasie corticale focale (DCF), une cause majeure d'épilepsie pharmacorésistante, repose sur des modèles d'apprentissage profond supervisés nécessitant de grands volumes de données IRM annotées voxel par voxel. Cependant, l'acquisition de tels ensembles de données est entravée par la nature chronophage de l'annotation manuelle voxel par voxel par des experts et par les barrières logistiques liées au partage de données multi-sites. Par conséquent, les méthodes actuelles sont contraintes par la rareté des données. De plus, les techniques d'augmentation de données standard (ex. : rotation, mise à l'échelle) ne parviennent pas à simuler les changements d'intensité spatialement adaptatifs et complexes caractéristiques des lésions de DCF, tandis que les approches génératives existantes (ex. : modèles de diffusion) nécessitent généralement des ensembles de données annotés massifs (plus de 800 sujets) qui sont indisponibles pour la DCF.

Méthodologie
Les auteurs proposent un cadre génératif conditionnel conçu pour synthétiser des volumes IRM réalistes contenant des DCF à partir de scanners cérébraux sains, réduisant ainsi la dépendance vis-à-vis des grands ensembles de données étiquetées. La méthodologie se compose de trois composantes principales :

1. Générateur de labels de DCF (basé sur le GMM) : Au lieu de générer des images de toutes pièces, le système génère d'abord des masques binaires de DCF anatomiquement plausibles sur des scanners cérébraux sains. Ceci est réalisé via un modèle de mélange gaussien (GMM) conditionné par des cartes d'estimation de volume partiel (PVE) de la substance grise (SG) et de la substance blanche (SB). Le générateur sélectionne un voxel aléatoire à la limite SG-SB et échantillonne des composantes de mélange pour créer des formes de lésions lisses et irrégulières qui respectent les limites tissulaires. Cette approche élimine le besoin de modèles de diffusion, réduisant le nombre de paramètres entraînables d'environ 95 %.
2. Générateur de volume lésionnel (SPADE-GAN) : Un cadre de synthèse d'images sémantiques basé sur la dénormalisation spatialement adaptative (SPADE) et une architecture de l'auto-encodeur variationnel (VAE) est utilisé pour traduire l'IRM saine et le label de DCF généré en une IRM lésionnelle synthétique. Le générateur est conditionné par des cartes sémantiques multicanaux (incluant les cartes PVE et le masque de DCF) et des codes de style dérivés d'images réelles pondérées en T1 (T1w) et en FLAIR pondérées en T2. Cela préserve la cohérence sémantique et la fidélité de la modalité à travers différentes résolutions.
3. Détecteur de DCF automatisé (nnU-Net) : Une architecture nnU-Net standard est employée comme modèle de détection. L'étude compare trois configurations d'entraînement :
   • FCDD-1 : Entraîné sur un ensemble de données réelles limité (35 DCF, 35 contrôles).
   • FCDD-2 : Entraîné sur les mêmes données réelles augmentées par des volumes synthétiques (35 réels + 35 DCF synthétiques, 35 réels + 35 contrôles synthétiques).
   • FCDD-3 : Entraîné sur un ensemble de données réelles élargi (70 DCF, 70 contrôles) servant de référence de limite supérieure.

Contributions clés

• Nouvelle génération de labels par GMM : Une méthode pour générer des labels de DCF diversifiés et anatomiquement plausibles à partir de scans sains sans nécessiter d'annotations de lésions préexistantes, répondant ainsi au problème du « démarrage à froid » (cold start) dans les régimes de faibles données.
• Cadre génératif conditionnel : Première application d'un modèle génératif conditionnel spécifiquement pour la synthèse d'IRM exprimant une DCF afin d'augmenter les données d'entraînement pour la détection automatisée.
• Efficacité : En évitant la génération d'images de cerveau entier à partir de zéro (comme le font les modèles de diffusion), la méthode proposée réduit considérablement le nombre de paramètres entraînables et l'exigence de grands ensembles de données annotées.

Résultats

• Évaluation du réalisme : Deux neuroradiologues experts ont évalué 28 scans synthétiques et réels. Ils ont obtenu des précisions de classification de seulement 60 % pour les images T1w et 70 % pour les images FLAIR (accord inter-juges $\kappa = 0,86$), indiquant que les images synthétiques sont hautement réalistes et souvent indiscernables des scans réels.
• Performance de détection (scénario de faibles données) : L'augmentation du jeu de données réelles limité (FCDD-2) avec des données synthétiques a amélioré la sensibilité au niveau du sujet de 8,14 % par rapport à la ligne de base non augmentée (FCDD-1), bien que cela ne soit pas statistiquement significatif ($p=0,12$). Cependant, la confiance du modèle aux sites de lésions réelles a augmenté de manière significative de $0,83 \pm 0,11$ à $0,89 \pm 0,12$ ($p=0,02$).
• Comparaison avec les données réelles élargies : Le modèle entraîné sur l'ensemble de données réelles élargi (FCDD-3) a atteint une sensibilité significativement plus élevée de 73,8 % ($p < 0,001$) par rapport au modèle augmenté. Cela indique que si l'augmentation synthétique améliore la performance par rapport à une ligne de base non augmentée, une quantité équivalente de données réelles reste plus efficace lorsqu'elle est disponible.
• Comparaison avec les méthodes existantes : La méthode augmentée proposée a obtenu une précision plus élevée (0,73 contre 0,40) et un taux de faux positifs plus faible que la méthode du projet MELD, malgré l'utilisation de 84 % de données d'entraînement réelles en moins.

Signification et affirmations
L'article affirme que les réseaux génératifs conditionnels peuvent générer avec succès des IRM de DCF synthétiques réalistes, réduisant efficacement le besoin de données étiquetées d'environ 20 % tout en maintenant une sensibilité équivalente dans les scénarios de faibles données. L'étude souligne que l'augmentation synthétique constitue une stratégie viable pour améliorer la confiance du modèle et détecter des cas supplémentaires manqués par les modèles de base entraînés sur des données rares. Cependant, les auteurs concluent modestement que les données synthétiques sont une mesure compensatoire pour la rareté des données ; lorsque des données réelles suffisantes sont disponibles, elles restent la ressource d'entraînement supérieure. Ce travail établit une nouvelle direction de recherche pour exploiter l'IA générative afin de surmonter les goulots d'étranglement d'annotation dans les conditions neurologiques rares comme la DCF, particulièrement pour les sous-types pour lesquels de grands ensembles de données n'existent pas encore.