Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge

Sintesi Tecnica: Segmentazione delle Lesioni nel Trauma Cranico Moderato e Grave

Problematica
La segmentazione delle lesioni nel trauma cranico moderato e grave (msTBI) da risonanza magnetica pesata in T1 presenta una significativa sfida clinica e computazionale. A differenza di altre patologie come l'ictus o i tumori, le lesioni da msTBI mostrano una profonda eterogeneità in termini di dimensione, forma, localizzazione e coinvolgimento tissutale (che abbraccia materia grigia, materia bianca e CSF). Questa variabilità, unita alla frequente estensione delle lesioni attraverso regioni bilaterali e molteplici tipi di tessuto, complica la registrazione, la normalizzazione e la parcellizzazione standard delle immagini. Gli strumenti automatizzati esistenti spesso non riescono a generalizzare su questi diversi pattern, portando i ricercatori a fare affidamento sulla segmentazione manuale laboriosa o a escludere pazienti con lesioni significative, limitando così la potenza statistica dei grandi studi su larga scala. La sfida AIMS-TBI 2025 è stata istituita per affrontare queste barriere, mettendo a confronto algoritmi di segmentazione robusti su dati multi-sito e multi-coorte.

Metodologia
Gli autori propongono una soluzione di deep learning basata sul framework nnU-Net, utilizzando specificamente la variante Residual Encoder Large (resencL). L'innovazione principale risiede nella pipeline di pre-elaborazione, che introduce una strategia di Normalizzazione Adattiva vincolata al parenchima cerebrale.

• Fonte dei Dati: Lo studio ha utilizzato il dataset AIMS-TBI 2025, composto da 875 scansioni RM pesate in T1 provenienti da 13 siti internazionali (Consorzio ENIGMA), che coprono un'età compresa tra i 5 e gli 85 anni. Il dataset include diverse patologie lesionali (contusioni, ematomi, encefalomalacia, ecc.) ed è stato suddiviso in set di addestramento (500), validazione (100) e test (275).
• Normalizzazione Adattiva Anatomicamente Vincolata: La normalizzazione convenzionale calcola media e deviazione standard sull'intero volume dell'immagine, includendo il cranio e lo sfondo. Gli autori sostengono che ciò introduca variabilità inter-soggetto dovuta a strutture non cerebrali. Invece, il loro metodo:
  1. Estrae una maschera del parenchima cerebrale utilizzando HD-BET.
  2. Calcola le statistiche di normalizzazione ($\mu_{brain}$ e $\sigma_{brain}$) esclusivamente all'interno della regione cerebrale mascherata.
  3. Normalizza le intensità dei voxel utilizzando queste statistiche specifiche per il cervello.
  4. Questo approccio mira a ridurre la varianza inter-soggetto e a mitigare gli artefatti derivanti da strutture non cerebrali, permettendo al modello di concentrarsi sulle regioni patologiche.
• Strategia di Addestramento: Il modello è stato addestrato end-to-end utilizzando una funzione di perdita ibrida (Dice loss + Cross-Entropy). L'addestramento ha incorporato un'estesa data augmentation (rotazioni casuali, scalatura, flipping, perturbazioni di intensità, deformazioni elastiche, correzioni gamma e rumore Gaussiano) per migliorare la generalizzazione.
• Inferenza: È stata applicata la Test-Time Augmentation (TTA) mediante la riflessione delle immagini lungo gli assi spaziali, con medie delle predizioni per migliorare la robustezza.

Contributi Chiave

1. Normalizzazione Adattiva: Il contributo primario è l'implementazione di una strategia di normalizzazione dell'intensità limitata al parenchima cerebrale. Ciò affronta l'eterogeneità specifica dei dati msTBI, dove le strutture non cerebrali possono distorcere le distribuzioni di intensità globali.
2. Configurazione nnU-Net: L'applicazione della variante resencL (Residual Encoder Large) di nnU-Net, che sfrutta blocchi residui per migliorare la rappresentazione delle caratteristiche e il flusso del gradiente, adattandosi ai complessi pattern lesionali della msTBI.
3. Performance Bilanciata: La metodologia dimostra una specifica strategia di compromesso: dare priorità alla preservazione accurata del tessuto non lesionale mantenendo al contempo una competitività nella rilevazione delle lesioni, risultando in una prestazione complessiva robusta.

Risultati
Il metodo è stato valutato sul set di test tenuto da parte per la sfida AIMS-TBI 2025 utilizzando quattro metriche ufficiali: posizione media, Dice della lesione, Dice del non-lesione e Dice complessivo.

• Prestazione Finale: Il metodo proposto ("DA5 + Adaptive Norm.") ha raggiunto un Coefficiente Dice Complessivo di 0,6305, posizionando il team a una posizione media di 5,5 nella classifica.
• Scomposizione dei Componenti:
  • Dice della Lesione: 0,4805. Gli autori osservano che questo punteggio riflette la difficoltà intrinseca nel rilevare lesioni altamente eterogenee.
  • Dice del Non-Lesione: 0,9324. Questo punteggio elevato indica la forte specificità del modello nell'identificare correttamente i voxel non lesionali.
• Studi di Ablazione: I risultati preliminari dello sviluppo (Tabella 1) hanno mostrato che la combinazione di un'estesa data augmentation (DA5) con la Normalizzazione Adattiva ha prodotto i punteggi più alti sia nelle fasi di sviluppo che di test finale, superando le strategie che utilizzavano solo l'augmentation.
• Confronto: Sebbene alcuni team concorrenti abbiano ottenuto punteggi di Dice della lesione più elevati, spesso lo hanno fatto a scapito di una ridotta accuratezza del non-lesione (maggiori falsi positivi). L'approccio degli autori ha mantenuto una prestazione ben bilanciata, evitando la sovra-segmentazione.

Significatività e Rivendicazioni
Il documento sostiene che l'incorporazione di una normalizzazione anatomicamente vincolata all'interno della pipeline nnU-Net sia una strategia potente ed efficace per affrontare le complessità della segmentazione delle lesioni nella msTBI. I risultati suggeriscono che la riduzione della varianza di intensità inter-soggetto, concentrando la normalizzazione sul parenchima cerebrale, migliori significativamente la robustezza del modello sui dati RM multi-sito ed eterogenei.

Gli autori mantengono una posizione modesta riguardo alla capacità di rilevamento delle lesioni (Dice ~0,48), riconoscendo che il rilevamento di lesioni piccole o diffuse rimane difficile. Tuttavia, sottolineano che il loro approccio riesce a bilanciare con successo la segmentazione delle lesioni con la fedeltà del tessuto sano. Concludono che una segmentazione automatizzata accurata è un prerequisito per analisi avanzate di neuroimaging (ad esempio, connettività, predizione degli esiti) e che il lavoro futuro dovrebbe concentrarsi sul potenziamento della sensibilità alle lesioni piccole/diffuse attraverso feature multi-scala e integrazione multi-modale, senza compromettere la specificità delle regioni non lesionali.