Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios

Resumo Técnico: Impacto de Imagens de RM com Lesões Sintéticas na Detecção Automatizada de Displasia Cortical Focal em Cenários de Baixos Dados

Definição do Problema
A detecção automatizada de Displasia Cortical Focal (DCF), uma das principais causas de epilepsia refratária ao tratamento, depende de modelos de aprendizado profundo supervisionados que exigem grandes volumes de dados de RM anotados voxel a voxel. No entanto, a aquisição de tais conjuntos de dados é dificultada pela natureza intensiva em tempo da anotação manual voxel a voxel por especialistas e pelas barreiras logísticas do compartilhamento de dados entre múltiplos centros. Consequentemente, os métodos atuais são limitados pela escassez de dados. Além disso, as técnicas padrão de aumento de dados (ex: rotação, escala) falham em simular as mudanças de intensidade espacialmente adaptativas e complexas características das lesões de DCF, enquanto abordagens generativas existentes (ex: modelos de difusão) tipicamente requerem conjuntos de dados anotados massivos (mais de 800 indivíduos) que não estão disponíveis para DCF.

Metodologia
Os autores propõem um framework generativo condicional projetado para sintetizar volumes de RM contendo DCF realistas a partir de exames de cérebros saudáveis, reduzindo assim a dependência de grandes conjuntos de dados rotulados. A metodologia consiste em três componentes primários:

1. Gerador de Rótulos de DCF (baseado em GMM): Em vez de gerar imagens do zero, o sistema primeiro gera máscaras binárias de DCF anatomicamente plausíveis sobre exames de cérebros saudáveis. Isso é alcançado através de um Modelo de Mistura Gaussiana (GMM) condicionado a mapas de Estimativa de Volume Parcial (PVE) de substância cinzenta (GM) e substância branca (WM). O gerador seleciona um voxel aleatório na fronteira GM-WM como centro e amostra componentes de mistura para criar formas de lesão suaves e irregulares que respeitam as fronteira dos tecidos. Esta abordagem elimina a necessidade de modelos de difusão, reduzindo os parâmetros treináveis em aproximadamente 95%.
2. Gerador de Volume Lesional (SPADE-GAN): Um framework de síntese de imagem semântica baseado em Denormalização Espacialmente Adaptativa (SPADE) e uma arquitetura de Autoencoder Variacional (VAE) é utilizado para traduzir a RM saudável e o rótulo de DCF gerado em uma RM lesional sintética. O gerador é condicionado a mapas semânticos multicanais (incluindo mapas PVE e a máscara de DCF) e códigos de estilo derivados de imagens reais ponderadas em T1 (T1w) e T2-FLAIR, preservando a consistência semântica e a fidelidade da modalidade em diferentes resoluções.
3. Detector Automatizado de DCF (nnU-Net): Uma arquitetura nnU-Net padrão é empregada como o modelo de detecção. O estudo compara três configurações de treinamento:
   • FCDD-1: Treinado em um conjunto de dados reais limitado (35 DCF, 35 controles).
   • FCDD-2: Treinado nos mesmos dados reais aumentados com volumes sintéticos (35 reais + 35 sintéticos DCF, 35 reais + 35 sintéticos controles).
   • FCDD-3: Treinado em um conjunto de dados reais expandido (70 DCF, 70 controles), servindo como uma referência de limite superior (upper-bound).

Principais Contribuições

• Novo Gerador de Rótulos Baseado em GMM: Um método para gerar rótulos de DCF anatomicamente plausíveis e diversos a partir de exames saudáveis sem a necessidade de anotações de lesões pré-existentes, abordando o problema do "cold start" em regimes de baixos dados.
• Framework Generativo Condicional: A primeira aplicação de um modelo generativo condicional especificamente para sintetizar MRIs expressando DCF para aumentar os dados de treinamento para detecção automatizada.
• Eficiência: Ao evitar a geração de imagens de todo o cérebro do zero (como feito em modelos de difusão), o método proposto reduz significativamente o número de parâmetros treináveis e o requisito de grandes conjuntos de dados anotados.

Resultados

• Avaliação de Realismo: Dois neurorradiologistas especialistas avaliaram 28 exames sintéticos e reais. Eles atingiram acurácias de classificação de apenas 60% para imagens T1w e 70% para imagens FLAIR (acordo inter-avaliador $\kappa = 0,86$), indicando que as imagens sintéticas são altamente realistas e frequentemente indistinguíveis de exames reais.
• Desempenho de Detecção (Cenário de Baixos Dados): O aumento do conjunto de dados reais limitado (FCDD-2) com dados sintéticos melhorou a sensibilidade ao nível de sujeito em 8,14% em comparação com a linha de base não aumentada (FCDD-1), embora isso não tenha sido estatisticamente significativo ($p=0,12$). No entanto, a confiança do modelo nos locais reais da lesão aumentou significativamente de $0,83 \pm 0,11$ para $0,89 \pm 0,12$ ($p=0,02$).
• Comparação com Dados Reais Expandidos: O modelo treinado no conjunto de dados reais expandido (FCDD-3) alcançou uma sensibilidade significativamente maior de 73,8% ($p < 0,001$) em comparação ao modelo aumentado. Isso indica que, embora o aumento sintético melhore o desempenho em relação à linha de base não aumentada, uma quantidade equivalente de dados reais continua sendo mais eficaz quando disponível.
• Comparação com Métodos Existentes: O método aumentado proposto alcançou maior acurácia (0,73 vs. 0,40) e menores taxas de falsos positivos em comparação com o método do projeto MELD, apesar de utilizar 84% menos dados de treinamento reais.

Significância e Alegações
O artigo afirma que redes generativas condicionais podem gerar com sucesso MRIs de DCF sintéticos realistas, reduzindo efetivamente a necessidade de dados rotulados em aproximadamente 20%, mantendo uma sensibilidade equivalente em cenários de baixos dados. O estudo destaca que o aumento sintético serve como uma estratégia viável para melhorar a confiança do modelo e detectar casos adicionais que são perdidos pelos modelos de base treinados com dados escassos. No entanto, os autores concluem modestamente que o dado sintético é uma medida compensatória para a escassez de dados; quando dados reais suficientes estão disponíveis, eles permanecem como o recurso de treinamento superior. O trabalho estabelece uma nova direção de pesquisa para alavancar a IA generativa para superar gargalos de anotação em condições neurológicas raras como a DCF, particularmente para subtipos onde grandes conjuntos de dados ainda não existem.