HUydra: Full-Range Lung CT Synthesis via Multiple HU Interval Generative Modelling

1. Problema e Motivação

O principal desafio na implementação de modelos de Diagnóstico Assistido por Computador (CAD) para imagens médicas, especificamente para o cancro do pulmão, é a escassez de dados. A geração de dados sintéticos através de IA generativa é uma solução promissora, mas a modelagem direta de varreduras de Tomografia Computorizada (TC) de pulmão em toda a sua faixa de Unidades Hounsfield (HU) é extremamente complexa e computacionalmente exigente.

A complexidade surge porque a distribuição de intensidades das TC abrange uma vasta gama (de -1000 a 3000 HU), onde diferentes tecidos (ar, pulmão, gordura, osso, etc.) possuem características texturais e estatísticas distintas. Abordagens atuais tentam modelar toda esta distribuição como um único contínuo, ignorando a prática clínica onde os radiologistas utilizam janelas HU específicas para visualizar diferentes tecidos. Esta desconexão entre a modelagem generativa e a interpretação clínica limita a fidelidade e a utilidade dos dados sintéticos.

2. Metodologia Proposta (HUYDRA)

O artigo propõe uma estratégia de decomposição inovadora chamada HUYDRA, que sintetiza imagens de TC de pulmão de faixa completa gerando-as intervalo por intervalo de HU, em vez de modelar todo o domínio de uma só vez. A metodologia divide-se em duas fases principais:

A. Decomposição e Reconstrução

1. Decomposição: Uma varredura de TC original é decomposta em múltiplas visualizações de intervalos de HU não sobrepostos (ex: [-950, -700] para pulmão, [30, 70] para tecidos moles, etc.). Cada intervalo é "recortado" (clipped) e normalizado.
2. Geração: Em vez de gerar a imagem completa, o modelo generativo produz representações sintéticas para cada um desses intervalos de HU.
3. Reconstrução: Um modelo de reconstrução leve (uma Rede Neural Convolucional - CNN ou MLP) funde as saídas dos intervalos gerados para reconstruir a imagem de TC de faixa completa. Este modelo aprende a inverter o processo de janelamento HU com perda mínima de informação.

B. Arquiteturas Generativas

O estudo compara três paradigmas generativos adaptados para esta tarefa multi-canal:

• WGAN-GP (Multi-channel): Uma extensão direta onde o gerador produz múltiplos canais (um por intervalo HU).
• Modelos de Difusão Baseados em Score (Multi-channel): Modelos de difusão que operam diretamente nos múltiplos canais de HU.
• VQVAE (Vector-Quantized Variational Autoencoders): A abordagem mais explorada, com três variantes arquitetónicas:
  • Multi-channel: Um único codificador/decodificador partilhado para todos os intervalos.
  • Multi-decoder: Um codificador único partilhado, mas com múltiplos decodificadores independentes (um por intervalo).
  • Multi-head: Arquitetura de melhor desempenho. Utiliza "cabeças" (heads) específicas de codificador para cada intervalo, fundindo as características num espaço latente partilhado, seguido por um "backbone" de decodificador comum e cabeças de decodificador específicas para refinar os detalhes texturais de cada intervalo.

3. Principais Contribuições

• Estratégia de Decomposição HU: Introdução de uma nova estratégia que alinha a modelagem generativa com a prática clínica de janelamento HU, permitindo a geração focada em tecidos específicos.
• Arquitetura Multi-Head VQVAE: Proposta e comparação de variantes arquitetónicas, demonstrando que a abordagem Multi-Head oferece o melhor equilíbrio entre fidelidade visual, diversidade e complexidade do modelo.
• Reconstrução Aprendida: Desenvolvimento de um método de reconstrução que reverte o janelamento HU com perda mínima, permitindo a síntese de imagens de faixa completa a partir de componentes sintéticos.
• Validação Clínica: Realização de um "Teste de Turing Visual" (VTT) com clínicos e avaliação de tarefas downstream (segmentação de pulmão), provando a realismo anatómico e a utilidade diagnóstica dos dados.
• Eficiência Computacional: Demonstração de que decompor a tarefa reduz a complexidade do modelo e os custos computacionais em comparação com a modelagem direta de toda a faixa de HU.

4. Resultados Experimentais

Os experimentos foram realizados no conjunto de dados público LIDC-IDRI (1.018 varreduras torácicas).

• Desempenho Quantitativo:

  • A abordagem Multi-Head VQVAE superou consistentemente as linhas de base (baselines) convencionais de faixa completa.
  • Houve uma melhoria de 6,2% no FID (Fréchet Inception Distance) em relação às melhores linhas de base, indicando maior realismo perceptual.
  • O modelo alcançou pontuações superiores em MMD (Maximum Mean Discrepancy), Precisão e Recalque em todos os intervalos de HU.
  • Os modelos de difusão e WGAN-GP, mesmo com arquiteturas multi-canal, não conseguiram superar as linhas de base ou os VQVAEs, sugerindo que a estrutura discreta e o espaço latente quantizado do VQVAE são mais adequados para esta tarefa.

• Qualidade e Diversidade:

  • As imagens sintéticas preservaram a coerência anatómica e as texturas específicas de cada tecido.
  • A métrica MS-SSIM mostrou que a diversidade das amostras geradas é comparável à do conjunto de dados real.

• Validação de Tarefa Downstream:

  • Um modelo de segmentação de pulmão treinado em dados reais conseguiu segmentar com sucesso as imagens sintéticas geradas pelo HUYDRA, confirmando que a estrutura anatómica é preservada e que os dados são úteis para treinar outros modelos de IA.

• Eficiência:

  • A arquitetura Multi-Head VQVAE atingiu o melhor desempenho com um aumento marginal no número de parâmetros (apenas de 48,3M para 49,3M) em comparação com a versão de canal único, provando ser altamente eficiente.

5. Significado e Conclusão

O trabalho HUYDRA estabelece um novo paradigma para a síntese de imagens médicas, deslocando o foco da modelagem de distribuições contínuas complexas para uma abordagem estruturalmente consciente e orientada pela clínica.

Ao alinhar a geração de dados com a forma como os radiologistas interpretam as imagens (através de janelas HU), o método não só melhora a qualidade e a diversidade dos dados sintéticos, mas também oferece um framework modular. Isso permite que a parte computacionalmente intensiva (geração dos intervalos) seja feita offline, enquanto a reconstrução da imagem completa pode ser feita sob demanda com redes leves.

Este estudo sugere que a decomposição baseada em intensidade é uma via superior para a geração de dados médicos, especialmente em cenários com recursos limitados, e abre caminho para a aplicação desta metodologia noutras modalidades de imagem onde a semântica baseada em intensidade é relevante.