Resumo Técnico: Representações de RM Supervisionadas por Metadados para Modelagem e Controle da Variabilidade de Aquisição

Definição do Problema

Os dados de Ressonância Magnética (RM) exibem uma variabilidade de aquisição substancial, onde estruturas anatômicas idênticas aparecem marcadamente diferentes entre diferentes scanners, forças de campo e protocolos de imagem. Este "desvio de aquisição" (acquisition shift) mistura a estrutura biológica com a aparência dependente da aquisição nas representações aprendidas, limitando a interpretabilidade, a generalização e a implantação clínica de modelos automatizados de RM.

As abordagens atuais para este problema tipicamente tratam a variabilidade de aquisição como um fator incômodo a ser removido via generalização de domínio (suprimindo características discriminativas de domínio) ou harmonização de imagem (mapeando imagens para uma aparência alvo). No entanto, esses métodos frequentemente ignoram a natureza estruturada e fisicamente significativa da variabilidade da RM. Além disso, embora os metadados DICOM contenham os determinantes causais do contraste da imagem (ex: tempo de eco, tempo de repetição, tipo de sequência), eles são frequentemente subutilizados na aprendizagem de representação ou tratados como não confiáveis devido a inconsistências em arquivos retrospectivos. O desafio central é separar explicitamente a anatomia da aparência dependente da aquisição, enquanto se utiliza os metadados para modelar, auditar e controlar essa variabilidade.

Metodologia: O Framework MaRaI

Os autores introduzem o MaRaI (Multimodal Acquisition-aware Radiology AI), um framework que trata os metadados DICOM não como rótulos auxiliares, mas como supervisão estruturada para a aprendizagem de representações desentranadas. O framework consiste em dois componentes primários que compartilham um espaço de representação comum:

1. MR-CLIP: Aprendizagem Contrastiva Guiada por Metadados

O MR-CLIP alinha volumes de RM com prompts de linguagem natural construídos a partir de tags de aquisição DICOM usando um objetivo contrastivo supervisionado (SupCon).

• Processamento de Metadados: Parâmetros temporais numéricos (TE, TR, TI) são discretizados em classes (bins), e tags categóricas são agrupadas para formar rótulos supervisores "cientes do contraste". Estes são formatados em prompts de linguagem natural (ex: "Uma RM de cérebro, plano..., Scanner..., Aquisição..., Parâmetros de Imagem...").
• Arquitetura: O modelo utiliza um Vision Transformer (ViT) para imagens e um transformer de texto para os prompts de metadados. Ele emprega uma perda contrastiva supervisionada bidirecional para aproximar volumes que compartilham o mesmo protocolo de aquisição (independentemente da anatomia ou do sujeito) e afastar aqueles com protocolos diferentes.
• Variantes: O framework suporta configurações 2D (nível de fatia), 2.5D (agregado de fatias) e 3D (volumétrico).

2. DIST-CLIP: Fatoração e Harmonização de Anatomia-Contraste

Baseando-se nas incorporações (embeddings) de contraste do MR-CLIP, o DIST-CLIP fatoriza cada exame em dois componentes:

• Mapa Anatômico ($\beta$): Uma representação invariante à aquisição que captura a estrutura tecidual (geometria das sulcos, forma dos ventrículos, limites).
• Representação de Contraste ($\theta$): Um código que codifica a aparência dependente da aquisição.

Arquitetura & Síntese:

• Mapeador de Anatomia: Um codificador U-Net extrai $\beta$ da imagem de origem, suprimindo padrões de intensidade específicos do contraste.
• Decodificador de Fusão de Estilo: Um decodificador inovador que funde $\beta$ com um código de contraste alvo ($\theta$) para gerar uma imagem harmonizada.
  • Condicionamento: O decodificador é condicionado em $\theta$ derivado de uma imagem de referência (DIST-CLIP/I) ou diretamente de metadados de aquisição (DIST-CLIP/T).
  • Mecanismo: Utiliza Normalização de Instância Adaptativa (AdaIN) e Atenção Cruzada para modular as características anatômicas. Um MLP mapeia a incorporação de contraste para consultas de estilo (style queries) e estatísticas por canal, que reescalam as características atendidas para corresponder às estatísticas de intensidade do alvo, preservando o layout anatômico.
• Objetivos de Treinamento: O modelo minimiza uma perda composta incluindo reconstrução ($L_{rec}$), perda perceptual ($L_{perc}$), perda adversarial ($L_{adv}$), alinhamento contrastivo em nível de patch para anatomia ($L_{\beta}$), consistência de estilo global ($L_{global}$) e consistência direcional ($L_{dir}$).

Principais Contribuições

1. Desentranhamento de Anatomia–Contraste com Relevância Clínica: Os autores demonstram que os mapas anatômicos derivados do DIST-CLIP reduzem a variabilidade da anatomia impulsionada pela aquisição na morfometria tecidual. Crucialmente, classificadores treinados nestas representações desentranadas mostram melhor generalização entre fabricantes (Siemens para GE) para classificação de doença de Alzheimer em comparação com a RM bruta, estabelecendo que o desentranhamento explícito entrega benefícios clínicos mensuráveis além da consistência visual.
2. Harmonização Unificada entre Contrastes e Locais: O framework introduz um único modelo capaz de harmonização de alta fidelidade entre todos os principais contrastes de RM cerebral e scanners. Ele suporta síntese guiada por imagem e condicionada por metadados, permitindo a geração de aparências alvo sem a necessidade de um exame de referência (usando apenas metadados). Isso unifica a adaptação cross-modal e cross-site de uma forma que frameworks anteriores não fizeram.
3. Aprendizagem de Representação Ciente do Contraste via Metadados: Ao introduzir uma estratégia de discretização de metadados, os autores permitem a aprendizagem contrastiva supervisionada em larga escala. As incorporações resultantes do MR-CLIP suportam recuperação cross-modal, classificação de sequência few-shot e controle de qualidade automatizado, superando baselines supervisionados e demonstrando que os metadados de aquisição podem efetivamente estruturar arquivos clínicos de grande escala.

Resultados

• Estabilidade Anatômica: As representações anatômicas ($\beta$) reduziram significativamente o coeficiente de variação (CV) nos volumes de segmentação de tecido (Matéria Cinzenta, Matéria Branca, LCR) entre diferentes sequências em comparação com as imagens brutas, mantendo escores de Dice similares para segmentação de tecido.
• Generalização entre Fabricantes: No conjunto de dados ADNI, classificadores de doença de Alzheimer usando entradas $\beta$ alcançaram maior acurácia balanceada ao generalizar de scanners Siemens para GE em comparação com as entradas de RM bruta.
• Qualidade de Harmonização:
  • Fidelidade: As variantes do DIST-CLIP alcançaram escores de SSIM e PSNR superiores em relação aos baselines (HACA3 e TUMSyn) em tarefas de tradução cross-contraste (ex: T2w $\rightarrow$ PDw, FLAIR $\rightarrow$ T2w).
  • Preservação Estrutural: Em dados clínicos não vistos, o DIST-CLIP alcançou escores de Dice significativamente mais altos (0.78) para consistência de segmentação comparado ao HACA3 (0.70) e TUMSyn (0.38).
  • Utilidade Downstream: No dataset externo ON-Harmony, os dados harmonizados reduziram significamente a acurácia de classificação de scanner/local (de 0.79 para 0.42) enquanto preservaram o desempenho de predição da idade cerebral (o MAE permaneceu estável), indicando a remoção bem-sucedida de confusão específica do scanner sem perder o sinal biológico.
• Organização de Metadados & QC:
  • Recuperação: O MR-CLIP alcançou alta revocação em recuperação cross-modal (ex: 90.9% para correspondência de metadados-fatia).
  • Aprendizagem Few-Shot: Classificadores lineares em embeddings congelados do MR-CLIP superaram significativamente ResNets 3D end-to-end em cenários de classificação de sequência few-shot.
  • Controle de Qualidade: O framework detectou com sucesso corrupções de metadados sintéticas (erros numéricos, tags erradas, campos ausentes) com alto AUC (até 0.997 para edições severas) ao medir a similaridade de cosseno entre as incorporações de imagem e metadados.

Significância e Alegações

O artigo alega que a variabilidade de aquisição não é meramente uma fonte inevitável de desvio de domínio, mas um componente estruturado do processo de imagem que pode ser modelado, auditado e controlado. Ao utilizar os metadados de aquisição rotineiros presentes em cada arquivo DICOM clínico, o MaRaI ancora as representações onde a anatomia e o contraste são separáveis.

Os autores afirmam que esta abordagem permite:

• Síntese Controlável: Gerar aparências alvo sem sempre requerer um exame de referência, baseando-se em vez disso nos metadados de aquisição.
• Auditoria Escalável: Triagem de coleções de imagens para integridade de metadados antes da análise.
• IA Clínica Robusta: Um caminho para modelos de fundação que sejam robustos à heterogeneidade que caracteriza os dados hospitalares do mundo real.

O trabalho sugere que separar a anatomia da aparência dependente da aquisição permite a comparação sistemática e a comparação cross-site baseada em princípios, transformando a variabilidade de aquisição de uma barreira em uma variável estruturada e gerenciável. Os autores mantêm a modéstia, observando que, embora o framework separe a anatomia da aparência dependente da aquisição, fatores como patologia e movimento permanecem parcialmente desentranados, e que validações adicionais em diversos ambientes clínicos e demografias de pacientes são necessárias.