$\texttt{DisMorph}$: learning to disentangle technical distortions from true biological change

Resumo Técnico do DisMorph: Aprendendo a Desvincular Distorções Técnicas de Mudanças Biológicas Reais

Definição do Problema
A RM longitudinal é essencial para quantificar mudanças estruturais cerebrais associadas ao envelhecimento e a doenças neurodegenerativas. No entanto, a medição precisa é comprometida por distorções geométricas introduzidas pelo hardware de RM, particularmente a não linearidade de gradiente (GNL). Essas distorções técnicas variam entre scanners e protocolos de aquisição. Métão de registro de imagem deformável convencional estimam um único campo de deformação para alinhar varreduras longitudinais, o que confunde mudanças biológicas verdadeiras (ex: atrofia) com artefatos técnicos. Essa confusão pode enviesar medidas morfométricas subsequentes, reduzindo o poder estatístico e obscurecendo a progressão da doença, especialmente quando distorções residuais persistem apesar das correções de fabricantes ou quando conjuntos de dados retrospectivos carecem de protocolos de correção consistentes.

Metodologia
Os autores propõem o DisMorph, um framework de registro baseado em aprendizado projetado para decompor explicitamente a deformação longitudinal em dois componentes distintos: um campo de distorção técnica e um campo de mudança anatômica.

• Estratégia de Treinamento Sintético: O DisMorph é treinado inteiramente em dados sintéticos gerados via um processo generativo de dois estágios inovador para evitar a dependência de rótulos de verdade fundamental (ground truth) do mundo real:
  1. Gerador de Geometria: Partindo de mapas de rótulos anatômicos, este módulo aplica uma transformação elástica aleatória suave para simular a distorção por GNL. Em seguida, introduz mudanças anatômicas (atrofia ou crescimento) através da reatribuição iterativa de voxels de fronteira entre estruturas alvo e vizinhos, baseando-se em razões de mudança volumétrica amostradas.
  2. Gerador de Intensidade: Este módulo sintetiza imagens em tons de cinza realistas a partir dos mapas de rótulos atrofiados e distorcidos, aplicando médias de intensidade, variâncias, meios e corrupções aleatórias (campos de viés, transformações gama, desfoque, ruído) para garantir robustez à variabilidade de aquisição do mundo real.
• Arquitetura da Rede: O modelo utiliza um codificador de fluxo duplo com pesos compartilhados para processar as imagens fixa e móvel. Ele utiliza um codificador de pyramid-warping para prever dois campos de velocidade estacionária (SVF) separados: um para distorção ($v_d$) e outro para mudança anatômica ($v_a$). Estes são integrados via scaling and squaring para produzir campos de deformação difemórficos ($\phi_d$ e $\phi_a$).
• Objetivo de Treinamento: O modelo é supervisionado usando os mapas de rótulos conhecidos do processo de síntese. A função de perda minimiza o erro quadrático médio entre os mapas de rótulos deformados e os rótulos originais para ambos os componentes de distorção e anatomia, combinado com um termo de regularização de suavidade.

Principais Contribuições

1. Desvinculação Explícita: O DisMorph é o primeiro framework de registro a separar explicitamente a deformação longitudinal em transformações técnicas (distorção) e anatômicas (atrofia/crescimento), em vez de estimar um único campo confluente.
2. Treinamento Apenas Sintético: O framework utiliza um modelo generativo que sintetiza efeitos geométricos e variações de intensidade de forma independente, proporcionando "supervisão de desvinculação" sem a necessidade de dados pareados do mundo real com verdade fundamental conhecida.
3. Randomização de Domínio: O pipeline de treinamento incorpora randomização de domínio através de protocolos de imagem e contrastes para promover a generalização entre diferentes scanners e sistemas de aquisição.

Resultados Experimentais
Os autores avaliaram o DisMorph em três cenários:

1. Dados Simulados (Verdade Fundamental Conhecida): Usando modelos de atrofia biomecânica com mudanças de volume prescritas, o DisMorph demonstrou um Erro de Estimativa de Atrofia (AAE) significativamente menor em comparação com o registro "padrão" convencional (que utiliza um único campo composto). A melhoria foi mais pronunciada em cenários de baixa atrofia, correspondendo a estágios iniciais da doença.
2. Dados Reais de Apenas Distorção (fBIRN): Em pares de imagens que diferem apenas pela distorção de GNL (original vs. corrigida pelo fabricante), o DisMorph atribuiu corretamente a vasta maioria da mudança geométrica ao campo de distorção ($\phi_d$), deixando o campo anatômico ($\phi_a$) com sinal mínimo. Isso confirmou a especificidade do modelo na ausência de mudança biológica.
3. Dados Longitudinais de Doença de Alzheimer (ADNI): Em pares longitudinais de dois anos de pacientes com AD, o DisMorph isolou com sucesso a atrofia subcortical esperada no campo anatômico, enquanto identificou a distorção residual no campo de distorção. A inspeção visual confirmou que o modelo preservou a perda de tecido localizada (ex: atrofia do hipocampo) enquanto corrigia desalinhamentos suaves induzidos pelo scanner.

Significância e Alegações
O artigo afirma que, ao desvincular a distorção induzida por RM da mudança biológica, o DisMorph permite uma morfometria longitudinal mais precisa, particularmente em contextos clínicos onde manter a consistência de aquisição é desafiador ou onde dados retrospectivos podem possuir distorções não corrigidas ou corrigidas de forma inconsistente. Os autores observam que sua análise de dados do ADNI sugere que a distorção residual induzida pelo scanner persiste mesmo após as correções padrão de fabricantes. Eles posicionam o DisMorph como uma ferramenta complementar às correções de fabricantes, capaz de melhorar a sensibilidade de estudos de progressão de doenças ao reduzir o viés relacionado à distorção. Trabalhos futuros são propostos para estender essa decomposição a outras fontes de distorção (ex: inhomogeneidade de B0) e para investigar o impacto dessa decomposição em modelos estatísticos de doenças subsequentes.