GLI-AL: A Multi-Modal Glioma MRI Label Resource with Unified Anatomy-Lesion Labels

Resumo Técnico: GLI-AL – Um Recurso de Rótulos de RM de Glioma Multi-Modal com Rótulos Unificados de Anatomia-Lesão

Definição do Problema
Os benchmarks existentes para segmentação de RM de glioma em adultos, como os conjuntos de dados BraTS-GLI, concentram-se primariamente em subregiões tumorais (núcleo necrótico, edema, tumor realçado). Uma limitação crítica em configurações de segmentação conjunta é que esses conjuntos de dados não anotam sistematicamente anormalidades coexistentes, especificamente Hiperintensidades da Substância Branca (WMH). Em tarefas de segmentação conjunta, onde tecidos cerebrais saudáveis e lesões são modelados simultaneamente, as regiões de WMH não rotuladas são tratamente como tecido saudável. Isso introduz ruído de rótulo específico da tarefa, podendo incentivar modelos a classificar erroneamente regiões patológicas como anatomia normal. Além disso, as anotações padrão do BraTS carecem de estruturas de tecido saudável (ex: matéria cinzenta, ventrículos) dentro do mesmo espaço de rótulos, impedindo a supervisão unificada de anatomia e patologia.

Metodologia
Os autores apresentam o GLI-AL (BraTS-GLI Anatomy-Lesion), um recurso de acesso controlado, composto apenas por rótulos, derivado da coorte de treinamento BraTS 2023-GLI (1.251 casos). O fluxo de trabalho de construção envolve três etapas principais:

1. Estratificação e Purificação: A coorte é dividida em um Subconjunto Purificado (394 casos) e um Subconjunto Estendido (857 casos).

   • O Subconjunto Purificado consiste em casos com conclusões de especialistas negativos para WMH (de Rudie et al.) e casos adicionais triados como negativos para WMH usando um modelo MedNeXt treinado em anotações de WMH de especialistas. Para 116 casos que exigiram reparo de imagem (onde a WMH estava presente, mas foi removida), os autores fornecem "rótulos de reparo" para permitir a reprodução das entradas de imagem limpas.
   • O Subconjunto Estendido mantém o status de imagem original, mas incorpora restrições de lesão adicionais derivadas da interseção de ferramentas automáticas (DeepWMH e LST-AI) para identificar anormalidades coexistentes.

2. Construção do Espaço de Rótulos Unificado: O recurso gera rótulos unificados de oito classes para todos os casos:

   • Classes: Fundo (0), Matéria Cinzenta Cortical (1), Gânglios da Base (2), Substância Branca (3), Lesão (4), Ventrículo (5), Cerebelo (6) e Tronco Encefálico (7).
   • Geração de Tecido Saudável: Os rótulos de tecido saudável são gerados usando o TumorSynth, uma estratégia de fusão probabilística aplicada às modalidades T1, T1ce, T2 e T2-FLAIR. Os autores utilizam um mecanismo de detecção de outliers por intervalo interquartil (IQR) para remover previsões de modalidade de baixa qualidade antes de fundi-las via média ponderada por entropia.
   • Integração de Lesão: As máscaras de tumor originais do BraTS são mescladas com os voxéis de lesões coexistentes recém-identificados (de anotações de especialistas ou interseções de ferramentas) para formar a classe unificada "Lesão".

3. Metadados e Integridade: O lançamento inclui metadados abrangentes ao nível do caso, cobrindo fontes de rótulos, requisitos de reparo de imagem, status de controle de qualidade (QC) e checksums (SHA-256) para garantir a procedência rastreável.

Principais Contribuições

• Rótulos Unificados de Anatomia-Lesão: O GLI-AL fornece o primeiro recurso derivado do BraTS disponível publicamente que integra estruturas de tecido cerebral saudável e anotações de tumor/lesão em um único espaço de rótulos unificado, permitindo a supervisão conjunta sem alternar entre definições de tarefas incompatíveis.
• Estratificação Consciente de WMH: O recurso aborda explicitamente o ruído de rótulo ao distinguir entre subconjuntos "purificados" (negativos para WMH) e "estendidos" (cientes de WMH), permitindo que pesquisadores analisem o impacto do ruído de rótulo e da qualidade dos dados no desempenho do modelo.
• Reparo de Imagem Reprodutível: Para 116 casos, o recurso fornece rótulos específicos para reproduzir as entradas de imagem reparadas onde a WMH foi removida, facilitando experimentos controlados sobre o efeito de lesões coexistentes.
• Metadados Abrangentes: Diferente de recursos anteriores, o GLI-AL inclui registros de procedência auditáveis, distinguindo entre anotações de especialistas, negativos triados por modelos e restrições geradas automaticamente.

Resultos
Um estudo de validação usando a arquitetura MedNeXt com entradas T1 e FLAIR comparou um modelo Baseline (treinado apenas no subconjunto purificado de 394 casos) contra um modelo Joint-Baseline (treinado no conjunto completo de 1.000 casos, incluindo dados estendidos ruidosos).

• Desempenho In-Domain (GLI): Ambos os modelos alcançaram Coeficientes de Similaridade de Dice (DSC) semelhantes para tecidos saudáveis e as principais regiões tumorais. No entanto, o Joint-Baseline apresentou maior Distância de Hausdorff de 95th percentil (HD95) para lesões, indicando que é mais propenso a perder regiões de WMH menores ou distantes em comparação com o treinamento purificado.
• Desempenho Out-of-Domain (WMH Externo): Em testes zero-shot em um conjunto de dados externo de WMH, o modelo Baseline (treinado em dados purificados) demonstrou sensibilidade significativamente maior a lesões de WMH coexistentes (maior DSC, menor HD95) em comparação ao Joint-Baseline.
• Conclusão: Os resultados sugerem que, embora a adição de dados ruidosos aumente o tamanho da amostra, ela degrada a sensibilidade a lesões coexistentes. O subconjunto purificado fornece uma referência "limpa" necessária para treinar modelos que devem distinguir entre tecido saudável e patologias sutis coexistentes.

Significância e Alegações
O artigo afirma que o GLI-AL aborda uma lacuna específica em recursos de imagem biomédica: a incapacidade de modelar conjuntamente a anatomia saudável e as lesões coexistentes dentro de um framework unificado e auditável.

• Utilidade Científica: O recurso apoia pesquisas em segmentação conjunta de anatomia-lesão, análise de sensibilidade ao ruído de rótulo e avaliação reprodutível de como a qualidade dos dados (especificamente a presença de WMH não rotulada) afeta a generalização do modelo.
• Limitações: Os autores declaram explicitamente que os rótulos de tecido saudável são gerados automaticamente (não são anotações de todo o cérebro manuais) e que as restrições de lesão do subconjunto estendido dependem de ferramentas automáticas, o que pode introduzir viés. O recurso é estritamente para pesquisa científica e não se destina ao diagnóstico clínico.
• Disponibilidade: O recurso está disponível via Synapse (acesso controlado) e inclui código para processamento e avaliação, mas não redistribui as imagens de RM originais, exigindo que os usuários possuam acesso válido aos dados upstream do BraTS 2023-GLI.