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

Resumo Técnico: Síntese de Ruído Realista para Estimativa de Microestrutura Supervisionada Sem Viés em dMRI

Problema
A difusão por Ressonância Magnética (dMRI) permite a sondagem não invasiva da microestrutura tecidual, mas a estimativa precisa de parâmetros é frequentemente comprometida por efeitos relacionados ao ruído. Uma fonte primária de viés sistemático surge das propriedades de ruído não triviais dos dados de magnitude reconstruídos. Especificamente, a reconstrução de magnitude transforma o ruído Gaussiano de média zero em uma distribuição Rician, fazendo com que a expectativa do sinal desvie da amplitude real do sinal subjacente, particularmente em níveis baixos de relação sinal-ruído (SNR). Além disso, etapas padrão de pré-processamento, como a redução de ruído via PCA de Marchenko–Pastur (MPPCA), alteram a variância e a distribuição efetivas do ruído, resultando frequentemente em um sinal com aproximação Gaussiana com média deslocada e desvio padrão reduzido.

Em estruturas de aprendizado de máquina (ML) supervisionado, que dependem de dados de treinamento simulados para aprender mapeamentos de sinais para parâmetros microestruturais, ocorre um "deslocamento de covariável" (covariate shift) quando as características de ruído dos dados de treinamento simulados não coincidem com as dos sinais experimentais adquiridos. Se os dados de treinamento forem gerados usando sinais sem ruído ou modelos de ruído simplificados que ignoram o viés induzido pela magnitude e a variância pós-processamento, os estimadores resultantes exibem viés sistemático dependente de SNR e redução de generalização, particularmente em regimes de baixo SNR associados a altos valores de b ou alta resolução espacial.

Metodologia
Os autores propõem uma estrutura de Síntese de Ruído Realista (RNS) projetada para alinhar as propriedades estatísticas dos dados de treinamento simulados com os sinais de inferência experimentais. Esta abordagem de duas etapas, condicionada aos dados, modela tanto o viés induzido pela magnitude quanto a variância de ruído efetiva pós-processamento:

1. Passo 0: Estimativa Empírica de Ruído: A estrutura estima o desvio padrão do ruído térmico por voxel ($\sigma$) a partir dos dados brutos (ex: usando MPPCA) e o desvio padrão do ruído efetivo pós-processamento ($\sigma^*$) a partir dos resíduos dos ajustes de harmônicos esféricos (SH) aos dados pré-processados. Esses valores são agregados para formar distribuições empíricas para amostragem durante o treinamento.
2. Passo 1: Injeção de Viés Induzido pela Magnitude: Para um dado sinal sem ruído $S$, a estrutura calcula a expectativa da correspondente distribuição Rician, $\mu_R(S, \sigma)$, utilizando o ruído térmico estimado $\sigma$. Isso substitui o sinal sem ruído pela expectativa enviesada observada em dados de magnitude.
3. Passo 2: Injeção de Ruído Efetivo: Um ruído Gaussiano de média zero com desvio padrão $\sigma^*$ é adicionado ao sinal enviesado por Rician. Isso captura a variância reduzida observada após a redução de ruído, preservando o deslocamento da média dependente do sinal.

A estrutura foi avaliada utilizando dois modelos biofísicos: um modelo de cilindro-zeppelin de dois compartimentos e o modelo de Densidade de Soma e Neurito (SANDI). Experimentos utilizaram conjuntos de dados simulados através de múltiplos níveis de SNR e dados in vivo de aquisições repetidas (Manzano Patrón et al.) e aquisições de ultra-alto gradiente (Connectom). O desempenho dos estimadores treinados com RNS (usando Regressores de Agregação de Bootstrap e Perceptron de Camada Múltipla) foi comparado contra o ajuste de Mínimos Quadrados Não Lineares (NLLS) sensível ao ruído e estimadores de linha de base de ML treinados com modelos de ruído simplificados (apenas deslocamento Rician, ou apenas ruído Gaussiano).

Resultos Principais

• Redução de Viés: O treinamento em sinais que ignoraram efeitos induzidos pela magnitude (Estimador 2b) produziu viés sistemático dependente de SNR, particularmente em baixo SNR. A incorporação da expectativa Rician (Estimadores 1, 2a, 2c, 2d) reduziu substancialmente este viés para níveis comparáveis ao ajuste NLLS sensível ao ruído.
• Melhoria da Precisão: Modelar adicionalmente o desvio padrão efetivo ($\sigma^*$) durante o treinamento (Estimadores 2c e 2d) melhorou ainda mais a precisão das estimativas, reduzindo o desvio padrão dos resíduos em comparação com modelos que consideraram apenas a média Rician.
• Robustez à Arquitetura: Os ganhos de desempenho foram amplamente independentes da arquitetura de regressão. Ambos os regressores (Agregação de Bootstrap e MLP) demonstraram melhorias semelhantes quando treinados com a estrutura RNS, indicando que a estratégia de modelagem de ruído é o fator dominante sobre a topologia específica da rede.
• Sensibilidade à Estimativa de Ruído: O estudo descobriu que o método é sensível à estimativa precisa do ruído. A erro de estimativa do desvio padrão do ruído (mesmo por $\pm 10\%$ a $20\%$) introduziu viés sistemático nos parâmetros recuperados. A subestimativa do ruído levou à superestimativa das frações de sinal, enquanto a superestimativa levou à subestimativa.
• Validação In Vivo: Em dados in vivo com baixo SNR (resolução de 0,9 mm³), o estimador treinado com RNS produziu mapas de parâmetros mais estáveis com preservação do contraste entre substância branca e substância cinzenta e redução da superestimativa aparente de frações de sinal em comparação com os métodos de linha de base. Melhorias semelhantes foram observadas para o modelo SANDI em altos valores de b.

Significância e Alegações
O artigo afirma que a modelagem realista das estatísticas de ruído em dados de treinamento simulados é essencial para uma estimativa de microestrutura supervisionada sem viés em dMRI. Ao abordar explicitamente o deslocamento de covariável no domínio do sinal — alinhando a média e a variância dos sinais de treinamento com os dos dados de inferência — a estrutura RNS proposta mitiga o viés sistemático que tipicamente afeta as abordagens de ML supervisionado em regimes de baixo SNR.

Os autores argumentam que atribuições anteriores de maior viés no ML (em relação ao NLLS) a estratégias de amostragem precisam ser reavaliadas, pois seus resultados demonstram que os estimadores supervisionados podem igualar o desempenho de viés do NLLS clássico quando a distribuição de treinamento é estatisticamente consistente com as condições experimentais. O estudo enfatiza que, embora o design da distribuição de parâmetros seja importante, a modelagem precisa da distribuição do sinal de entrada (especificamente o viés de magnitude e a variância de ruído efetiva) é um pré-requisito crítico para uma inferência robusta e sem viés, particularmente para modelos microestruturais avançados operando sob condições de aquisição desafiadoras.