Lesion-DDPM: Lesion-Enhanced 3D Diffusion for MS MRI Synthesis

Sintesi Tecnica: Lesion-DDPM

Problematica
La diagnosi e il monitoraggio della Sclerosi Multipla (SM) si affidano fortemente alle sequenze di risonanza magnetica 3D FLAIR, grazie alla loro elevata sensibilità alle lesioni supratentoriali. Tuttavia, lo sviluppo di modelli di apprendimento automatico per la neuroimaging robusti è ostacolato dalla scarsità e dall'eterogeneità dei dataset di SM pubblicamente disponibili, che variano significativamente tra diversi scanner e protocolli di acquisizione. Questa scarsità è particolarmente critica per i modelli generativi incaricati di sintetizzare volumi 3D. Le lesioni da SM sono caratteristicamente piccole, sparse e morfologicamente irregolari, occupando una frazione minima del volume cerebrale. Questo grave squilibrio tra lesione e sfondo causa problemi nei modelli generativi esistenti (come le GAN e i modelli di diffusione standard), che tendono a eccessivamente levigare (oversmoothing) le lesioni sottili, introdurre artefatti o non riuscire a preservare la visibilità delle lesioni mantenendo al contempo la struttura globale del cervello. Gli approoli attuali spesso faticano a bilanciare il realismo anatomico dell'intero cervello con la preservazione esplicita di queste minuscole regioni patologiche.

Metodologia
Gli autori propongono Lesion-DDPM, un framework di diffusione condizionale 3D progettato specificamente per la sintesi di FLAIR consapevole delle lesioni (lesion-aware). Il modello è formulato come un processo di diffusione gaussiana condizionale in cui l'obiettivo è un volume FLAIR pre-elaborato e privo di cranio (skull-stripped), e la condizione è una maschera anatomica che codifica le regioni cerebrali e lesionali.

L'architettura e la strategia di addestramento incorporano due innovazioni tecniche primarie:

1. Iniezione di Condizione Multi-livello con Gate (Multi-Level Gated Condition Injection): A differenza dei modelli di diffusione condizionali standard che possono solo concatenare le maschere in input, Lesion-DDPM inietta le informazioni della maschera anatomica in più stadi: nell'encoder, nel bottleneck e nel decoder. In ogni stadio, la maschera viene ridimensionata per corrispondere alla risoluzione delle feature, codificata in una mappa di feature e fusa con il flusso principale tramite concatenazione per canale e una convoluzione 3D puntuale. Fondamentalmente, questa fusione è modulata da un gate sigmoidale apprendibile, che consente alla rete di controllare la forza dell'iniezione delle informazioni sulle lesioni a diverse profondità. Questo design assicura che gli indizi sulle lesioni informino sia le rappresentazioni globali di alto livello sia i dettagli locali di basso livello senza un eccessivo condizionamento.
2. Perdita di Ricostruzione Pesata sulle Lesioni (Lesion-Weighted Reconstruction Loss): Per affrontare il grave squilibrio di classe tra i voxel delle lesioni e quelli dello sfondo, gli autori sostituiscono l'obiettivo standard di predizione del rumore con una perdita L1 pesata sulle lesioni. Questo obiettivo assegna un peso sostanzialmente maggiore agli errori che si verificano all'interno dei voxel lesionali rispetto ai voxel di tessuto e di sfondo. Ciò costringe il modello a dare priorità agli aggiornamenti del gradiente nelle regioni delle lesioni, impedendo al processo di denoising iterativo di levigare le lesioni piccole e sparse.

Contributi Chiave

• Framework Consapevole delle Lesioni (Lesion-Aware): Il lavoro introduce un modello di diffusione condizionale 3D che dà esplicitamente priorità alla fedeltà delle lesioni da SM, piccole e sparse, mantenendo al contempo la coerenza anatomica globale.
• Novità Architetturale: L'implementazione dell'iniezione di condizione multi-livello con gate consente di rinforzare il contesto della lesione attraverso molteplici scale di feature, migliorando la stabilità del condizionamento.
• Strategia di Ottimizzazione: L'integrazione di una perdita di ricostruzione L1 pesata sulle lesioni mira specificamente alla preservazione dei voxel lesionali, mitigando il comune problema dell'eccessivo levigamento (oversmoothing) delle lesioni nei modelli generativi.

Risultati
Il modello è stato valutato utilizzando un sottoinsieme curato del dataset MSLesSeg (80 coppie di addestramento, 20 coppie di test) e confrontato con baseline rappresentative dello stato dell'arte: 3D Pix2Pix, 3D DiscoGAN (basato su GAN) e Med-DDPM (basato su diffusione).

• Fedeltà Visiva e Quantitativa: Nelle valutazioni degli esperti, le immagini sintetiche generate da Lesion-DDPM sono state frequentemente indistinguibili dalle immagini reali da parte dei neurologi. Quantitativamente, Lesion-DDPM ha ottenuto l'errore quadratico medio più basso (MSE: 0,059) e l'errore assoluto medio più basso (MAE: 0,202) e la più alta similarità strutturale multi-scala (MS-SSIM: 0,806) tra tutti i metodi. Notevolmente, nelle regioni specifiche delle lesioni, ha ottenuto l'errore di ricostruzione più basso (MSE: 0,048), superando significativamente le baseline.
• Performance di Segmentazione Downstream: Una 3D U-Net addestrata esclusivamente su dati sintetici generati da Lesion-DDPM ha raggiunto un punteggio Dice di 0,616 su dati MRI reali di test, superando il miglior dataset sintetico concorrente (Med-DDPM a 0,569).
• Addestramento Ibrido: Quando le immagini sintetiche di Lesion-DDPM sono state aggiunte a un set di addestramento reale (addestramento ibrido), il punteggio Dice della segmentazione downstream è aumentato a 0,685, superando le performance dei modelli addestrati solo su dati reali (0,670) e altre configurazioni ibride.

Significato e Rivendicazioni
Il paper sostiene che Lesion-DDPM affronta con successo la sfida di generare volumi 3D FLAIR ad alta fedeltà che preservino le lesioni sottili da SM, un compito in cui i precedenti modelli generativi hanno incontrato difficoltà a causa dello squilibrio lesione-sfondo. Gli autori affermano che il loro metodo produce immagini visivamente convincenti e diagnosticamente plausibili, come dimostrato dalla valutazione degli esperti. Inoltre, i risultati dimostrano che i dati generati da Lesion-DDPM non sono solo visivamente realistici, ma anche funzionalmente efficaci per l'addestramento di modelli di segmentazione downstream, offrendo una soluzione valida per l'aumento dei dati (data augmentation) in scenari con dati limitati. Lo studio conclude che la combinazione di iniezione con gate multi-livello e perdita pesata sulle lesioni è fondamentale per raggiungere questo equilibrio tra struttura globale e fedeltà locale della lesione. Il lavoro futuro suggerito dagli autori include l'esplorazione della sintesi multi-modale e della simulazione controllata della progressione delle lesioni.