Contrast-Informed Augmentation and Domain-Adversarial Training for Adult-to-Neonatal MR Reconstruction Generalization

Resumo Técnico: Aumento Informado de Contraste e Treinamento Adversário de Domínio para Generalização da Reconstrução de RM de Adulto para Neonatal

Definição do Problema
Métodos de reconstrução de Ressonância Magnética (RM) baseados em aprendizado profundo (DL) demonstraram desempenho superior na recuperação de imagens de alta qualidade a partir de dados de k-space altamente subamostrados em comparação com algoritmos convencionais baseados em física. No entanto, sua adoção clínica é dificultada pela baixa generalização para dados fora de sua distribuição de treinamento (desvio de domínio ou domain shift). Isso é particularmente crítico na imagem neonatal, onde características distintas — como a inversão de contraste entre a substância branca e a cinzenta, diferenças de escala anatômica e redução da relação sinal-ruído (SNR) — prejudicam modelos treinados em dados adultos. Além disso, a escassez de conjuntos de dados de k-space multi-bobina brutos prontamente disponíveis para neonatos força a dependência de abundantes dados adultos, necessitando de estratégias robustas para mitigar o hiato de domínio adulto-neonatal sem acesso a dados de treinamento do domínio alvo.

Metodologia
O estudo investigou a eficácia da combinação de aumento de dados informado de contraste com treinamento adversário de domínio (DAT) para melhorar a generalização da rede variacional ponta a ponta (E2E-VarNet) da reconstrução de RM de adulto para neonatal. O design experimental comparou três regimes de treinamento:

1. Unaug-Only: Treinamento exclusivo em dados adultos não aumentados (controle).
2. Mixed: Treinamento em uma mistura de dados adultos não aumentados e dados adultos aumentados para mimetizar características neonatais.
3. Mixed-DAT: Treinamento no mesmo conjunto de dados mistos, mas incorporando um objetivo adversário de domínio.

Protocolo de Aumento de Dados:
Um pipeline de aumento de dados informado de contraste foi aplicado a fatias T2-pesadas de adultos. Isso envolveu:

• Transformação de dados de k-space multicanal para o espaço da imagem e combinação de bobinas (coil-combining).
• Uso de agrupamento k-means para particionar os tecidos em substância branca, substância cinzenta e líquido cefalorraquidiano (LCR).
• Inversão das intensidades da substância branca e cinzenta para mimetizar o contraste T2 neonatal.
• Aplicação de suavização espacial e redimensionamento para aproximar as características da imagem neonatal.
• Projeção das imagens modificadas de volta para o k-space multicanal para entrada do modelo.

Treinamento Adversário de Domínio (DAT):
No regime Mixed-DAT, um discriminador de domínio foi anexado à camada de gargalo (bottleneck) do módulo de refinamento final da E2E-VarNet. Uma Camada de Reversão de Gradiente (GRL) foi inserida entre o extrator de características e o discriminador. O discriminador foi treinado para classificar as entradas como "não aumentadas" ou "aumentadas", enquanto a rede de reconstrução foi treinada para minimizar a perda de reconstrução (SSIM) e maximizar a perda de classificação de domínio (via GRL). Este setup adversário incentivou a rede a aprender representações de características invariantes ao domínio, insensíveis às diferenças de domínio introduzidas pelo aumento.

Conjuntos de Dados e Avaliação

• Treinamento: 55 volumes T2-pesados de adultos do conjunto de dados fastMRI (50 de treinamento, 5 de validação). Nenhum dado neonatal foi utilizado para treinamento, validação ou seleção de hiperparâmetros.
• Teste: 30 volumes T2-pesados neonatais do estudo P3 Cohort (Alberta Children's Hospital) e um conjunto de teste adulto retido.
• Métricas: Avaliação quantitativa usando o Índice de Similaridade Estrutural (SSIM) e a Relação Sinal-Ruído de Pico (PSNR) em fatores de aceleração $R=4$ e $R=8$. A avaliação qualitativa foi realizada por um cientista clínico. As representações de características latentes foram analisadas via visualização t-SNE.

Principais Resultados

• Generalização Neonatal: Ambos os regimes Mixed e Mixed-DAT superaram o Unaug-Only no conjunto de teste neonatal.
  • Em $R=4$, o Mixed-DAT alcançou o melhor desempenho (SSIM: $0.924 \pm 0.027$; PSNR: $33.98 \pm 1.15$ dB).
  • Em $R=8$, o Mixed-DAT obteve o SSIM mais alto ($0.848 \pm 0.031$), enquanto o Mixed alcançou o PSNR mais alto ($29.56 \pm 0.83$ dB).
• Retenção do Domínio Adulto: No conjunto de teste adulto, Unaug-Only e Mixed apresentaram desempenho similar. O Mixed-DAT mostrou uma diminuição marginal no desempenho, particularmente no PSNR, sugerindo um compromisso (trade-off) onde a melhoria na generalização neonatal reduziu levemente a especificidade do domínio adulto.
• Análise de Características: Visualizações t-SNE indicaram que, enquanto o modelo Mixed mostrou uma separação parcial entre as características adultas aumentadas e não aumentadas, o modelo Mixed-DAT aumentou a sobreposição dessas características. Crucialmente, as características de teste neonatal extraídas pelo modelo Mixed-DAT sobrepuseram-se substancialmente mais aos ambos os domínios derivados de adultos em comparação ao modelo Mixed, sugerindo uma redução na separabilidade no espaço de características.
• Avaliação Qualitativa: Em $R=4$, todos os modelos foram considerados adequados para interpretação clínica, sendo o Mixed-DAT o melhor avaliado. Em $R=8$, nenhum modelo foi considerado totalmente adequado para interpretação clínica confiante, embora o Mixed-DT tenha exibido menos desfoque (blurring) e melhor diferenciação de contraste em comparação aos outros.

Significância e Alegações
O artigo afirma que o aumento informado de contraste combinado com o treinamento adversário de domínio é uma estratégia promissora para melhorar a robustez da reconstrução de RM baseada em DL em domínios sub-representados, como a imagem neonatal. Os autores postulam que:

1. O aumento de dados adultos para mimetizar características neonatais expande efetivamente a distribuição de treinamento para melhorar a generalização.
2. A adição de um objetivo adversário aumenta ainda mais essa generalização ao forçar a rede a aprender representações que são invariantes aos desvios de domínio específicos introduzidos pelo aumento.
3. A redução observada na separação de características entre os dados neonatais reais e as distribuições de treinamento derivadas de adultos (via t-SNE) apoia a hipótese de que o DAT reduz a sensibilidade às diferenças de domínio.

O estudo conclui que, embora esses métodos melhorem as métricas de reconstrução e o alinhamento de características, eles ainda não resolvem totalmente os desafios de interpretabilidade clínica em altos fatores de aceleração ($R=8$). Os autores enfatizam que os ganhos observados são específicos ao aumento e ao framework adversário propostos e convocam a validação prospectiva e investigações adicionais sobre os mecanismos de generalização associados ao DAT antes da adoção clínica.