Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks

Título: Detecção de Câncer de Próstata em RM Híbrida Multidimensional via Correção de Viés baseada em Rede de Hadamard e Redes Residuais

1. Problema e Motivação

O câncer de próstata (PCa) é uma das principais causas de mortalidade masculina. Embora a Ressonância Magnética (RM) e a RM Híbrida Multidimensional (HM-MRI) ofereçam contraste superior e capacidades quantitativas para diagnóstico, a detecção automatizada robusta ainda enfrenta desafios significativos:

• Inhomogeneidades de Intensidade (Bias Fields): Variações de baixa frequência nas imagens de RM podem distorcer a aparência dos tecidos, levando a previsões inconsistentes.
• Variabilidade de Sinal: Diferenças entre sequências de RM e aquisição de dados limitam a generalização dos modelos.
• Limitações de Abordagens Atuais: Métodos baseados em radiômica tradicional e Redes Neurais Convolucionais (CNNs) convencionais muitas vezes falham em lidar com essas variações de aquisição, resultando em baixa especificidade ou sensibilidade desbalanceada.

O objetivo deste trabalho é desenvolver um framework de Inteligência Artificial (IA) que corrija explicitamente essas inhomogeneidades antes da classificação, garantindo que o modelo aprenda características patológicas reais em vez de artefatos de aquisição.

2. Metodologia: Framework HBR-Net-18

Os autores propõem o HBR-Net-18 (Hadamard-Bias Network + ResNet-18), uma arquitetura de duas etapas que opera sobre biomarcadores de tecido quantitativos gerados a partir da HM-MRI.

Pré-processamento de Dados (Entrada):

• Utiliza-se um Autoencoder Informado por Física (PIA) para estimar seis biomarcadores de tecido específicos a partir da HM-MRI: fração de volume epitelial ($v_{ep}$), fração de água luminal ($v_{lu}$), difusividade epitelial ($d_{ep}$), difusividade estromal ($d_{st}$), tempo de relaxamento T2 epitelial ($t_{2ep}$) e tempo de relaxamento T2 estromal ($t_{2st}$).

Etapa 1: Correção de Viés (Bias Correction)

• Objetivo: Suprimir inhomogeneidades de intensidade de baixa frequência e ruído nos mapas de biomarcadores, preservando estruturas espaciais relevantes para o diagnóstico.
• Arquitetura: Uma U-Net Probabilística baseada em Transformada de Hadamard.
• Mecanismo: Utiliza a Transformada de Walsh-Hadamard (WHT), que decompõe sinais em funções de valor binário. Isso permite operações no domínio da transformada que substituem multiplicações por adições baseadas em sinais, tornando o cálculo mais eficiente energeticamente.
• Treinamento: A rede é treinada para minimizar a diferença entre os mapas corrigidos e mapas de referência gerados pelo algoritmo N4ITK (padrão ouro para correção de viés).
• Estratégia Crucial: Após o treinamento, os parâmetros desta etapa são congelados. Isso força uma separação estrita entre a normalização de viés e a decisão de câncer, impedindo que o classificador explore variações de intensidade espúrias.

Etapa 2: Classificação de Patch (Patch-Level Classification)

• Processamento de Patches: Os mapas corrigidos são confinados à região da próstata e divididos em patches sobrepostos de 11x11.
• Contexto 3D: Para melhorar a consistência espacial, cada patch da fatia alvo ($N$) é empilhado com as fatias adjacentes ($N-1$ e $N+1$), criando tensores de entrada 3D ($3 \times 6 \times 11 \times 11$).
• Arquitetura:
  1. Um módulo de upsampling convolucional aprendível projeta os patches para dimensões maiores.
  2. Um classificador ResNet-18 processa os patches para distinguir tecido canceroso de não canceroso.
• Função de Perda: Utiliza Focal Loss para lidar com o desbalanceamento de dados entre patches cancerosos e não cancerosos.

3. Contribuições Chave

1. Abordagem de Duas Etapas Desacoplada: A separação explícita entre a correção de viés (Etapa 1) e a classificação (Etapa 2) melhora a robustez do modelo contra artefatos dependentes da aquisição.
2. Integração de Hadamard e Física: O uso de uma U-Net baseada em Hadamard para correção de viés oferece eficiência computacional e alinha-se com a natureza física do problema de inhomogeneidade de RM.
3. Uso de Biomarcadores Quantitativos: Em vez de usar apenas imagens de RM brutas, o modelo opera sobre mapas de composição de tecido derivados de um modelo físico (PIA), fornecendo informações fisiológicas mais ricas.
4. Consistência Espacial 3D: A incorporação de informações de fatias adjacentes (contexto inter-fatia) supera as limitações de abordagens puramente 2D.

4. Resultados Experimentais

O estudo foi realizado com dados de 86 pacientes (34 sem câncer, 52 com câncer) em um scanner de 3T, utilizando validação cruzada de 5 dobras.

• Desempenho no Nível de Patch (Tabela I):

  • O HBR-Net-18 alcançou 94,4% de Sensibilidade e 93,3% de Especificidade, com 93,8% de Acurácia.
  • Superou significativamente a radiômica tradicional (80,0% de acurácia) e CNNs basais (ResNet-18 e ResNet-50) que não utilizaram correção de viés prévia.
  • Houve um ganho de 17,25% na acurácia em relação à radiômica e 50,08% em relação ao ResNet-18 puro.

• Desempenho no Nível de Paciente (Tabela II):

  • O modelo atingiu 88,5% de Sensibilidade e 78,5% de Especificidade no nível do paciente.
  • Destaque na especificidade: O HBR-Net-18 superou a radiômica em 292,50% na capacidade de identificar corretamente pacientes sem câncer (reduzindo falsos positivos), mantendo alta sensibilidade.

• Estudo de Ablação (Tabela III):

  • Remover a correção de viés (Etapa 1) reduziu a acurácia para 89,1%.
  • Operar apenas em 2D (sem contexto de fatias adjacentes) reduziu a acurácia para 88,2%.
  • O tamanho de patch de 11x11 mostrou-se o melhor equilíbrio entre detalhe local e contexto.

5. Significado e Conclusão

O trabalho demonstra que a combinação de correção de viés baseada em física/Hadamard com redes residuais em biomarcadores quantitativos é uma estratégia superior para a detecção automatizada de câncer de próstata.

• Impacto Clínico: O framework oferece um potencial para implantação clínica, capaz de fornecer diagnósticos mais consistentes e confiáveis, reduzindo a necessidade de biópsias desnecessárias ao melhorar a especificidade.
• Limitações e Futuro: O estudo foi limitado por um conjunto de dados relativamente pequeno, o que impediu o uso de arquiteturas mais complexas (como Transformers). Trabalhos futuros focarão em incluir tecidos benignos miméticos (como Hiperplasia Benigna da Próstata - BPH) no treinamento para melhorar a robustez clínica e a precisão de localização.

Em resumo, o HBR-Net-18 representa um avanço significativo ao tratar a detecção de câncer de próstata não apenas como um problema de classificação de imagem, mas como um problema de correção de viés consciente, garantindo que as decisões da IA sejam baseadas na fisiologia do tecido e não em artefatos de aquisição.