Native space based pipelines outperform template space based pipeline in subcortical segmentation

Resumo Técnico: Pipelines de Espaço Nativo vs. Espaço de Template para Segmentação Subcortical

Definição do Problema
A segmentação precisa de núcleos subcorticais, especificamente o Núcleo Subtalâmico (STN), o Núcleo Vermelho (RN) e a Substância Negra (SN), é crítica para o planejamento neurocirúrgico na Doença de Parkinson (DP) e para a pesquisa funcional. Embora a RM de alto campo (7T) ofereça contraste tecidual superior, a prática clínica depende predominantemente de exames de campo mais baixo (3T), onde essas estruturas são difíceis de identificar devido ao contraste limitado. As ferramentas de segmentação automatizada atuais dependem tipicamente de corregistro em espaço de template (por exemplo, deformar as imagens do paciente para o espaço padrão MNI) para aproveitar atlas baseados em populações. No entanto, essa abordagem introduz um processo de registro de "ida e volta": transformar o paciente para o espaço do template para segmentação e, em seguida, realizar a transformação inversa dos resultados de volta para o espaço nativo. Os autores hipotetizam que essa normalização e a transformação inversa podem comprometer a fidelidade anatômica específica do paciente, particularmente para estruturas pequenas e irregulares como o STN, e que abordagens em espaço nativo podem oferecer uma vantagem mensurável. Além disso, a transferibilidade de modelos treinados em dados de alta qualidade de 7T para dados clínicos de 3T permanece um desafio aberto, instigando uma investigação sobre se dados 3T sintéticos podem preencher essa lacuna de domínio.

Metodologia
O estudo desenvolveu e comparou dois pipelines de segmentação baseados em aprendizado profundo usando o framework nnUNet (especificamente UNet com presets de Encoder Residual) treinado em um conjunto de dados curado de imagens de RM ponderadas em T2 de 7T e 3T provenientes de cinco fontes públicas (CBS, ATAG, Chu 2025, Paired e OASIS).

1. Pipeline de Espaço de Template:

   • Todas as imagens dos sujeitos foram registradas de forma afim ao template MNI Nonlinear Asymmetric 2009.
   • Duas resoluções de template foram testadas: 1 mm (MNI 152 NLIN 2009c) e 0,5 mm (MNI 152 NLIN 2009b).
   • Uma Região de Interesse (ROI) foi definida no espaço MNI, o modelo foi treinado nessas imagens normalizadas e o resultado da segmentação foi transformado inversamente de volta para o espaço nativo para avaliação.

2. Pipeline de Espaço Nativo:

   • Operou diretamente nas imagens de RM nativas do paciente.
   • ROIs específicas do sujeito foram construídas deformando o atlas CIT168 (mapas probabilísticos) para o espaço nativo para definir caixas delimitadoras (bounding boxes) ao redor das estruturas alvo.
   • O modelo foi treinado e avaliado inteiramente dentro do espaço nativo, evitando transformações inversas dos rótulos de segmentação finais.

3. Adaptação de Domínio (Dados Sintéticos):

   • Para abordar a queda de desempenho ao aplicar modelos treinados em 7T a dados de 3T, os autores geraram imagens 3T sintéticas a partir de dados de treinamento de 7T usando dois métodos:
     • Simples: Padronização de histograma via correspondência linear por partes.
     • Avançado: Um framework MURD (Multi-site Unsupervised Representation Disentangler) modificado para desmembrar o conteúdo anatômico do estilo específico do sítio (variações de intensidade) e gerar imagens semelhantes a 3T.
   • Modelos treinados em dados de 7T foram testados com e sem essas augmentações de dados 3T sintéticos para avaliar a transferibilidade do conhecimento.

Principais Contribações

• Avaliação Comparativa: Uma comparação direta e quantitativa entre pipelines de segmentação em espaço nativo versus espaço de template para estruturas subcorticais, isolando especificamente o impacto da etapa de transformação inversa.
• Análise de Resolução: Uma investigação sobre se o aumento da resolução do template (0,5 mm vs. 1 mm) mitiga a perda de precisão associada aos fluxos de trabalho baseados em template.
• Investigação da Lacuna de Domínio: Uma avaliação sistemática da transferibilidade de modelos de 7T para 3T e da eficácia da augmentação de dados sintéticos (correspondência de histograma vs. MURD) para preencher a lacuna de campo magnético sem a necessidade de rótulos manuais de 3T.

Resultos

• Nativo vs. Template (Dados 7T): Nos dados de teste 7T retidos, o pipeline de espaço nativo superou consistentemente as abordagens baseadas em template.
  • Para o STN, o método nativo alcançou um Dice de 0,775 ± 0,055 comparado a 0,713 ± 0,051 para o template de 1 mm e 0,650 ± 0,166 para o de 0,5 mm.
  • O método nativo também mostrou precisão de borda superior (menor HD95) para o STN e a SN.
  • Achado Contraintuitivo: O aumento da resolução do template de 1 mm para 0,5 mm degradou o desempenho, sugerindo que a fonte do erro é o processo de transformação afim/interpolação, e não a resolução insuficiente do template.
• Transferibilidade 7T-para-3T: Modelos treinados exclusivamente em dados de 7T sofreram uma queda significativa de desempenho ao serem aplicados a imagens 3T (ex: o Dice do STN caiu de ~0,775 para ~0,556 para o pipeline nativo).
• Impacto dos Dados Sintéticos:
  • A adição de dados 3T sintéticos (gerados via MURD ou correspondência de histograma) rendeu melhorias modestas e inconsistentes para a segmentação 3T.
  • Embora o MURD tenha melhorado o Dice e o HD95 do Núcleo Vermelho (RN) no pipeline de template, ofereceu ganhos limitados para o STN e a SN.
  • Crucialmente, a adição de dados sintéticos não degradou significativamente o desempenho nos dados de teste 7T, indicando que o treinamento misto de campos é seguro, mas não necessariamente transformador para a generalização em 3T.

Significância e Alegações
O artigo conclui que a segmentação em espaço nativo é preferível para aplicações que exigem alta fidelidade anatômica específica do paciente, como o planejamento cirúrgico em DP. O estudo demonstra que a transformação afim inversa necessária para os fluxos de trabalho baseados em template introduz um gargalo significativo, particularmente para estruturas pequenas e variáveis como o STN, onde mesmo templates de alta resolução falham em compensar os erros de registro.

Em relação à adaptação de domínio, os autores afirmam que, embora a geração de dados 3T sintéticos seja uma estratégia viável que não prejudica o desempenho em 7T, ela não preenche totalmente a lacuna de domínio 7T-para-3T. As limitações dos métodos atuais de transferência de estilo (como o MURD) em replicar as complexas relações de razão contraste-ruído e a visibilidade das bordas teciduais entre diferentes intensidades de campo sugerem que preencher essa lacuna permanece um desafio aberto, exigindo trabalhos futuros em adaptação de domínio direcionados especificamente às estruturas subcorticais. Os achados apoiam uma mudança para pipelines de segmentação baseados no paciente para evitar a perda de precisão inerente à normalização espacial.