Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation

Resumo Técnico: Decomposição de Informação Parcial como uma Estratégia de Seleção de RM 3D Multi-contraste

Definição do Problema
A RM 3D multi-contraste é o padrão para segmentação de tumores cerebrais, pois diferentes sequências (T1n, T1c, T2w, T2-FLAIR) capturam características teciduais complementares. No entanto, utilizar todas as sequências disponíveis impõe cargas computacionais significativas, incluindo aumento de armazenamento, pré-processamento, transferência de dados, uso de memória e custos de treinamento. Esses custos são amplificados no aprendizado profundo 3D devido aos grandes tensores de volume e à necessidade de experimentos repetidos em diversas arquiteturas e hiperparâmetros. Os métodos atuais de seleção de subconjuntos dependem ou de treinamento exaustivo de modelos (que escala mal) ou de medidas de relevância de fonte única, como a informação mútua, que frequentemente falham em capturar a sinergia — o fenômeno onde duas sequências são conjuntamente informativas, mesmo que nenhuma delas seja individualmente dominante. O desafio central é identificar um subconjunto de entrada compacto e de alto desempenho antes de comprometer recursos com o desenvolvimento custoso de modelos a jusante.

Metodologia
Os autores propõem um framework de pré-treinamento baseado em Decomposição de Informação Parcial (PID) para classificar pares de entrada e selecionar a configuração ideal para o treinamento a jusante. O pipeline consiste em três estágios principais:

1. Preparação de Dados e Embedding:

   • Patches espacialmente correspondentes de 32×32×32 são amostrados das sequências de RM e máscaras de tumor, com 70% dos centros extraídos de áreas de frente de tumor (foregrounds).
   • A carga tumoral é discretizada em classes baseadas na fração de voxels atribuídos a edema, tumor realçado (enhancing) e regiões necróticas, aumentando a carga tumoral.
   • Um autoencoder 3D raso separado é treinado para cada sequência de RM para reconstruir os patches de entrada. Os encoders produzem vetores latentes de 32 dimensões, que são então quantizados em códigos de fonte discretos ($q_m$) usando agrupamento K-means ($K=16$).

2. Classificação de Pares Baseada em PID:

   • Para cada par possível de sequências de entrada $(a, b)$ e para cada região tumoral $c$, o framework estima a informação mútua a partir da distribuição conjunta dos códigos de fonte quantizados e do alvo de carga tumoral discretizado.
   • Utilizando um framework de PID bivariado, a informação total é decomposta em:
     • Redundante ($R$): Informação fornecida por ambas as fontes.
     • Única ($U$): Informação específica de uma das fontes.
     • Sinérgica ($S$): Informação disponível apenas da observação conjunta.
   • Uma pontuação agregada é calculada para cada par:
     $$\text{Score}(a, b) = \sum_c w_c \left[ I((q_a, q_b); T_c) + \lambda (U^c_{a|b} + U^c_{b|a} + S^c_{ab}) \right]$$
     onde $w_c$ é a frequência inversa normalizada de patches positivos, e $\lambda=0.5$ pondera a informação única e sinérgica em relação à redundância. O par com a maior pontuação é selecionado.

3. Validação a Jusante:

   • O par selecionado é utilizado para treinar U-Nets 3D leves.
   • O estudo avalia o framework utilizando o conjunto de dados CoRe-BT (132 sujeitos de treinamento, 30 de validação, 28 de teste) através de quatro sequências.
   • Onze modelos arquiteturalmente idênticos são treinados: um utilizando as quatro entradas, todos os seis possíveis combinações de duas entradas e quatro modelos de entrada única.
   • O desempenho é medido via Dice macro-médio por paciente, HD95, sensibilidade e precisão. Uma análise de valor de Shapley post-hoc também é realizada no modelo completo de quatro entradas para verificar independentemente a importância da entrada.

Resultos Principais

• Precisão de Seleção: O framework PID classificou o par T1c + T2-FLAIR como a combinação de maior pontuação (Score: 0.963).
• Desempenho de Segmentação: No coorte de teste independente, a configuração T1c + T2-FLAIR alcançou um Dice médio de 0.676, classificando-se em segundo lugar geral. O modelo completo de quatro entradas alcançou 0.687.
  • O par selecionado reteve 98,5% do desempenho médio de Dice do modelo completo, utilizando apenas metade dos canais de entrada.
  • Testes estatísticos (Wilcoxon pareado) mostraram que não houve diferença significativa no Dice ($p=0.0505$) ou HD95 ($p=0.174$) entre o par selecionado e o modelo completo, embora o estudo note o poder estatístico limitado devido ao pequeno número de pares.
• Verificação Independente: A análise de Shapley no modelo completo identificou independentemente o T2-FLAIR e o T1c como as entradas mais influentes, com sua interação pareada sendo a mais forte. Este alinhamento entre a seleção PID de pré-treinamento e a atribuição de modelo post-hoc valida a estratégia de seleção.
• Eficiência de Recursos: O processo de seleção exigiu apenas o treinamento de autoencoders rasos e o cálculo de scores de PID, evitando a necessidade de treinar um modelo de segmentação profundo separado para cada par candidato.

Significância e Alegações
O artigo posiciona este trabalho como uma prova de conceito demonstrando o valor prático da seleção de pré-treinamento baseada em PID para identificar conjuntos de entrada de RM compactos e informativos. Os autores alegam que:

1. A Seleção de Pré-treinamento é Viável: É possível identificar a configuração de entrada mais forte antes do desenvolvimento custoso de modelos 3D, reduzindo significativamente o compromisso de recursos.
2. Detecção de Sinergia: O framework PID captura com sucesso a informação sinérgica (utilidade conjunta) que métodos padrão de informação mútua poderiam negligenciar, levando à seleção do T1c (tumor realçado) e T2-FLAIR (edema), que cobrem componentes tumorais distintos, porém complementares.
3. Interpretabilidade: O método fornece uma métrica interpretável para seleção de características que se alinha com tarefas de imagem clínica e atribuição de modelo independente (valores de Shapley).

Os autores mantêm-se modestos quanto às suas conclusões, reconhecendo limitações como o tamanho reduzido do conjunto de dados, a restrição a apenas quatro contrastes de entrada e a falta de significância estatística em algumas comparações pareadas devido ao poder limitado. Eles sugerem que trabalhos futuros devem avaliar a robustez em coortes maiores e com mais de quatro candidatos de entrada.