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

Sintesi Tecnica: Sintesi del Rumore Realistico per la Stima Microstrutturale Supervisionata e Non Distorta in dMRI

Definizione del Problema
La risonanza magnetica di diffusione (dMRI) consente di sondare in modo non invasivo la microstruttura tissutale, tuttavia la precisa stima dei parametri è frequentemente compromessa da effetti legati al rumore. Una fonte primaria di bias sistematico deriva dalle proprietà non banali del rumore nei dati ricostruiti in ampiezza (magnitude). Nello specifico, la ricostruzione in ampiezza trasforma il rumore gaussiano complesso a media zero in una distribuzione Rician, causando una deviazione del segnale atteso rispetto all'ampiezza reale del segnale sottostante, particolarmente a bassi rapporti segnale-rumore (SNR). Inoltre, le fasi standard di pre-elaborazione, come il denoising tramite PCA di Marchenko–Pastur (MPPCA), alterano la varianza effettiva e la distribuzione del rumore, risultando spesso in un segnale approssimato gaussianamente con una media traslata e una deviazione standard ridotta.

Nei framework di apprendimento automatico (ML) supervisionato, che si basano su dati di addestramento simulati per apprendere le mappature dai segnali ai parametri microstrutturali, si verifica un "covariate shift" quando le caratteristiche del rumore dei dati simulati non corrispondono a quelle dei segnali sperimentali acquisiti. Se i dati di addestramento sono generati utilizzando segnali privi di rumore o modelli di rumore semplificati che ignorano il bias indotto dall'ampiezza e la varianza post-elaborazione, gli stimatori risultanti esibiscono un bias sistematico dipendente dall'SNR e una ridotta capacità di generalizzazione, particolarmente nei regimi a basso SNR associati ad alti valori b o ad alta risoluzione spaziale.

Metodologia
Gli autori propongono un framework di Sintesi del Rumore Realistico (RNS) progettato per allineare le proprietà statistiche dei dati di addestramento simulati con i segnali di inferenza sperimentali. Questo approccio in due fasi, condizionato dai dati, modella sia il bias indotto dall'ampiezza sia la varianza del rumore effettiva post-elaborazione:

1. Fase 0: Stima Empirica del Rumore: Il framework stima la deviazione standard del rumore termico per voxel ($\sigma$) dai dati grezzi (ad esempio, usando MPPCA) e la deviazione standard del rumore effettivo post-elaborazione ($\sigma^*$) dai residui dei fit in armoniche sferiche (SH) applicati ai dati pre-elaborati. Questi valori vengono aggregati per formare distribuzioni empiriche da campionare durante l'addestramento.
2. Fase 1: Iniezione del Bias Indotto dall'Ampiezza: Per un dato segnale privo di rumore $S$, il framework calcola l'aspettativa della corrispondente distribuzione Rician, $\mu_R(S, \sigma)$, utilizzando la deviazione standard del rumore termico stimata. Questo sostituisce il segnale privo di rumore con l'aspettativa distorta osservata nei dati in ampiezza.
3. Fase 2: Iniezione del Rumore Effettivo: Un rumore gaussiano a media zero con deviazione standard $\sigma^*$ viene aggiunto al segnale con bias Rician. Ciò cattura la riduzione della varianza osservata dopo il denoising, preservando al contempo lo spostamento della media dipendente dal segnale.

Il framework è stato valutato utilizzando due modelli biofisici: un modello a due compartimenti cilindro-zeppelin e il modello SANDI (Soma and Neurite Density Imaging). Gli esperimenti hanno utilizzato dataset simulati attraverso molteplici livelli di SNR e dati in vivo da acquisizioni ripetute (Manzano Patrón et al.) e acquisizioni con gradienti ultra-elevati (Connectom). Le prestazioni degli stimatori addestrati con RNS (utilizzando regressori di Bootstrap Aggregating e Multi-Layer Perceptron) sono state confrontate con il fitting NLLS (Non-Linear Least Squares) consapevole del rumore e con estimator ML di base addestrati con modelli di rumore semplificati (solo offset Rician o solo rumore Gaussiano).

Risultati Chiave

• Riduzione del Bias: L'addestramento su segnali che ignoravano gli effetti dell'ampiezza (Estimator 2b) ha prodotto un bias sistematico dipendente dall'SNR, particolarmente a bassi livelli di SNR. L'incorporazione dell'aspettativa Rician (Estimatori 1, 2a, 2c, 2d) ha ridotto significativamente questo bias a livelli comparabili con il fitting NLLS consapevole del rumore.
• Miglioramento della Precisione: La modellazione della deviazione standard effettiva ($\sigma^*$) durante l'addestramento (Estimatori 2c e 2d) ha ulteriormente migliorato la precisione delle stime, riducendo la deviazione standard dei residui rispetto ai modelli che tenevano conto solo della media Rician.
• Robustezza all'Architettura: I guadagni di prestazione sono stati ampiamente indipendenti dall'architettura di regressione. Sia i regressori di Bootstrap Aggregating (BR) che quelli Multi-Layer Perceptron (MLP) hanno dimostrato miglioramenti simili quando addestrati con il framework RNS, indicando che la strategia di modellazione del rumore è il fattore dominante rispetto alla specifica topologia della rete.
• Sensibilità alla Stima del Rumore: Lo studio ha rilevato che il metodo è sensibile alla stima accurata del rumore. Una stima errata della deviazione standard del rumore (anche di $\pm 10\%$ o $20\%$) ha introdotto un bias sistematico nei parametri recuperati. La sottostima del rumore ha portato a una sovrastima delle frazioni di segnale, mentre la sovrastima ha portato a una sottostima.
• Validazione In Vivo: Sui dati in vivo con SNR inferiore (risoluzione 0.9 mm³), l'estimatore addestrato con RNS ha prodotto mappe parametriche più stabili con preservato il contrasto sostanza bianca–sostanza grigia e una ridotta sovrastima apparente delle frazioni di segnale rispetto ai metodi di base. Miglioramenti simili sono stati osservati per il modello SANDI ad alti valori b.

Significatività e Rivendicazioni
L'articolo sostiene che la modellazione realistica della statistica del rumore nei dati di addestramento simulati è essenziale per una stima microstrutturale supervisionata e non distorta in dMRI. Affrontando esplicitamente il covariate shift nel dominio del segnale — allineando la media e la varianza dei segnali di addestramento con quelli dei dati di inferenza — il framework RNS proposto mitiga il bias sistematico che tipicamente affligge gli approcci ML supervisionati in regimi a basso SNR.

Gli autori sostengono che le precedenti attribuzioni di un bias maggiore nella ML (rispetto a NLLS) a strategie di campionamento debbano essere rivalutate, poiché i loro risultati dimostrano che gli stimatori supervisionati possono eguagliare le prestazioni di bias del classico NLLS quando la distribuzione di addestramento è statisticamente coerente con le condizioni sperimentali. Lo studio sottolinea che, sebbene il design della distribuzione dei parametri sia importante, un modello accurato della distribuzione del segnale di input (specificamente il bias dell'ampiezza e la varianza del rumore effettiva) è un prerequisito critico per un'inferenza robusta e non distorta, particolarmente per i modelli microstrutturali avanzati operanti in condizioni di acquisizione impegnative.