Lesion Segmentation in Moderate to Severe Traumatic Brain Injury: An nnU-Net Based Approach with Adaptive Normalization in the AIMS-TBI 2025 Challenge

Resumo Técnico: Segmentação de Lesões em Traumatismo Cranioencefálico Moderado a Grave

Definição do Problema
A segmentação de lesões em Traumatismo Cranioencefálico moderado a grave (msTBI) a partir de RM ponderada em T1 apresenta um desafio clínico e computacional significativo. Diferente de outras patologias, como acidente vascular cerebral ou tumores, as lesões de msTBI exibem uma heterogeneidade profunda em tamanho, forma, localização e envolvimento tecidual (abrangendo substância cinzenta, substância branca e LCR). Essa variabilidade, combinada com a frequência de extensão das lesões através de regiões bilaterais e múltiplos tipos de tecido, complica o registro, a normalização e a parcelação de imagens padrão. Ferramentas automatizadas existentes frequentemente falham em generalizar para esses diversos padrões, levando pesquisadores a depender da segmentação manual laboriosa ou a excluir pacientes com lesões significativas, o que limita o poder estatístico de estudos de larga escala. O Desafio AIMS-TBI 2025 foi estabelecido para enfrentar essas barreiras, realizando o benchmarking de algoritmos de segmentação robustos em dados de múltiplos centros e múltiplas coortes.

Metodologia
Os autores propõem uma solução de aprendizado profundo baseada no framework nnU-Net, utilizando especificamente a variante Residual Encoder Large (resencL). A inovação central reside no pipeline de pré-processamento, que introduz uma estratégia de Normalização Adaptativa restrita ao parênquima cerebral.

• Fonte de Dados: O estudo utilizou o conjunto de dados AIMS-TBI 2025, composto por 875 exames de RM ponderada em T1 de 13 centros internacionais (Consórcio ENIGMA), abrangendo idades de 5 a 85 anos. O conjunto de dados inclui diversas patologias de lesão (contusões, hematomas, encefalomalácia, etc.) e foi dividido em conjuntos de treinamento (500), validação (100) e teste (275).
• Normalização Adaptativa Anatomicamente Restrita: A normalização convencional calcula a média e o desvio padrão sobre todo o volume da imagem, incluindo o crânio e o fundo. Os autores argumentam que isso introduz variabilidade interindividual devido a estruturas não cerebrais. Em vez disso, o método deles:
  1. Extrai uma máscara do parênquima cerebral usando HD-BET.
  2. Calcula as estatísticas de normalização ($\mu_{brain}$ e $\sigma_{brain}$) exclusivamente dentro da região mascarada do cérebro.
  3. Normaliza as intensidades dos voxels utilizando essas estatísticas específicas do céreamente.
  4. Este método visa reduzir a variância interindividual e mitigar artefatos de estruturas não cerebrais, permitindo que o modelo se concentre em regiões patológicas.
• Estratégia de Treinamento: O modelo foi treinado de ponta a ponta usando uma função de perda híbrida (perda de Dice + Entropia Cruzada). O treinamento incorporou extensa aumentação de dados (rotações aleatórias, escalonamento, inversão, perturbações de intensidade, deformações elásticas, correções de gama e ruído Gaussiano) para aumentar a generalização.
• Inferência: A aumentação de tempo de teste (TTA) foi aplicada espelhando as imagens ao longo dos eixos espaciais, com as previsões sendo calculadas pela média para melhorar a robustez.

Principais Contribuições

1. Normalização Adaptativa: A principal contribuição é a implementação de uma estratégia de normalização de intensidade restrita ao parênquima cerebral. Isso aborda a heterogeneidade específica dos dados de msTBI, onde estruturas não cerebrais podem distorcer as distribuições de intensidade globais.
2. Configuração nnU-Net: A aplicação da variante resencL (Residual Encoder Large) do nnU-Net, que utiliza blocos residuais para melhorar a representação de características e o fluxo de gradiente, adaptada para os complexos padrões de lesão do msTBI.
3. Desempenho Equilibrado: A metodologia demonstra uma estratégia de compromisso específica: priorizar a preservação precisa do tecido não lesionado enquanto mantém uma detecção de lesão competitiva, resultando em um desempenho geral robusto.

Resultados
O método foi avaliado no conjunto de teste reservado do Desafio AIMS-TBI 2025 usando quatro métricas oficiais: posição média, Dice de lesão, Dice de não-lesão e Dice Geral.

• Desempenho Final: O método proposto ("DA5 + Adaptive Norm.") alcançou um Coeficiente de Dice Geral de 0,6305, posicionando a equipe em uma posição média de 5,5 no ranking.
• Detalhamento dos Componentes:
  • Dice de Lesão: 0,4805. Os autores observam que este escore reflete a dificuldade inerente de detectar lesões altamente heterogêneas.
  • Dice de Não-Lesão: 0,9324. Este escore elevado indica a forte especificidade do modelo em identificar corretamente voxels não lesionados.
• Estudos de Ablação: Resultados preliminares de desenvolvimento (Tabela 1) mostraram que a combinação de aumentação de dados extensiva (DA5) com a Normalização Adaptativa produziu os maiores escores tanto na fase de desenvolvimento quanto na fase final de teste, superando estratégias que utilizavam apenas aumentação.
• Comparação: Embora algumas equipes concorrentes tenham alcançado escores de Dice de lesão mais altos, elas frequentemente o fizeram à custa de uma redução na precisão de não-lesão (maiores falsos positivos). A abordagem dos autores manteve um desempenho bem equilibrado, evitando a sobre-segmentação.

Significância e Alegações
O artigo afirma que a incorporação de normalização anatomicamente restrita dentro do pipeline nnU-Net é uma estratégia poderosa e eficaz para lidar com as complexidades da segmentação de lesões de msTBI. Os resultados sugerem que reduzir a variância de intensidade interindividual ao focar a normalização no parênquima cerebral melhora significativamente a robustez do modelo em dados de RM multi-centro e heterogêneos.

Os autores mantêm uma postura modesta em relação à capacidade de detecção de lesões (Dice ~0,48), reconhecendo que detectar lesões pequenas ou difusas continua sendo difícil. No entanto, eles enfatizam que sua abordagem consegue equilibrar com sucesso a segmentação de lesões com a fidelidade do tecido saudável. Eles concluem que a segmentação automatizada precisa é um pré-requisito para análises avançadas de neuroimagem (ex: conectividade, predição de desfechos) e que trabalhos futuros devem focar em aumentar a sensibilidade a lesões pequenas/difusas através de características multiescala e integração multimodal, sem comprometer a especificidade das regiões não lesionadas.