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

Definição do Problema

A imagem biomédica, particularmente a Ressonância Magnética (RM), sofre de uma variabilidade de aquisição substancial. Estruturas biológicas idênticas podem parecer marcadamente diferentes devido a variações em dispositivos de imagem, protocolos de aquisição, centros e configurações de reconstrução. Este "desvio de aquisição" causa o emaranhamento de informações biológicas subjacentes com a aparência dependente da aquisição nas representações aprendidas, limitando a interpretabilidade, a generalização e a implantação clínica dos modelos em diferentes scanners e instituições.

As abordagens atuais para este problema tipicamente tratam a variabilidade de aquisição como um fator incômodo a ser removido via generalização de domínio (aprendizado de características invariantes) ou harmonização de imagem (tradução de aparência entre domínios). No entanto, esses métodos frequentemente ignoram o fato de que a variabilidade da RM é uma consequência estruturada e fisicamente significativa do processo de imagem. Além disso, a rotina de imagens clínicas gera metadados DICOM ricos que descrevem esses parâmetros físicos (ex: tempo de eco, tempo de repetição, fabricante do scanner, etc.), embora essa informação seja frequentemente subutilizada ou tratada como não confiável em arquivos de larga escala. Há uma necessidade de um framework que separe explicitamente a estrutura anatômica do contraste dependente da aquisição, ao mesmo tempo em que 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 o aprendizado de representações desmembradas. O framework consiste em dois componentes primários que compartilham um espaço de representação comum:

1. MR-CLIP: Aprendizado Contrastivo Guiado 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.

• Processamento de Metadados: Parâmetros numéricos (Tempo de Eco [TE], Tempo de Repetição [TR], Tempo de Inversão [TI]) são discretizados em bins, enquanto tags categóricas (scanner, tipo de sequência) são agrupadas. Estes são formatados em prompts de texto estruturados.
• Objetivo Contrastivo: O modelo utiliza um objetivo de contraste supervisionado bidirecional (SupCon) para aproximar volumes que compartilham o mesmo protocolo de aquisição (rótulo consciente do contraste), independentemente da anatomia ou identidade do sujeito, enquanto afasta protocolos diferentes.
• Arquiteturas: O framework suporta codificadores Vision Transformer (ViT) 2D (baseados em fatia), 2.5D (agregados por fatia) e 3D (volumétricos).
• Saída: Os embeddings resultantes capturam o contraste como uma variável estruturada, permitindo recuperação cross-modal, classificação de sequência few-shot e controle de qualidade.

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

O DIST-CLIP utiliza os embeddings pré-treinados do MR-CLIP para fatorar cada exame em um mapa anatômico invariante à aquisição ($\beta$) e uma representação de contraste ($\theta$).

• Desemaranhamento: Um "Anatomy Mapper" baseado em U-Net extrai $\beta$ da imagem de origem, suprimindo padrões de intensidade específicos do contraste enquanto preserva as fronteiras teciduais e a morfologia global.
• Decodificador de Fusão de Estilo: Uma nova arquitetura sintetiza imagens harmonizadas fundindo o mapa anatômico $\beta$ com um código de contraste alvo $\theta$.
  • Condicionamento: O contraste alvo pode ser derivado de uma imagem de referência ($\theta_i$) ou diretamente dos metadados de aquisição ($\theta_m$).
  • Mecanismo: O decodificador emprega mecanismos de Normalização de Instância Adaptativa (AdaIN) e atenção cruzada (cross-attention). Um MLP mapeia o embedding de contraste para queries de estilo, que modulam as características do decodificador via atenção multi-cabeça e parâmetros de escala e deslocamento por canal. Isso permite a transferência de aparência preservando a estrutura.
• Treinamento: O modelo é treinado com uma função de perda composta que inclui perdas de reconstrução ($L_{rec}$), perceptual ($L_{perc}$), adversária ($L_{adv}$), alinhamento contrastivo em nível de patch ($L_\beta$), consistência de estilo global ($L_{global}$) e consistência direcional ($L_{dir}$).

Principais Contribuições

1. Desemaranhamento Anatomia–Contraste com Relevância Clínica: Os autores demonstram que os mapas anatômicos derivados do DIST-CLIP reduzem a variabilidade de aquisição na morfometria tecidual entre protocolos. Crucialmente, essas representações melhoram a classificação de doença de Alzheimer (AD) cross-vendor no dataset ADNI em comparação com a RM bruta, estabelecendo que o desemaranhamento explícito produz benefícios clínicos mensuráveis além da consistência visual.
2. Harmonização Unificada entre Contrastes e Centros: O framework introduz um modelo único capaz de harmonização de alta fidelidade entre todos os principais contrastes de RM cerebral (ex: T1w, T2w, FLAIR, PD) e scanners. Ele suporta modos guiados por imagem e condicionados por metadados usando um único conjunto de pesos treinados, permitindo a síntese sem exigir um scan de referência daquele protocolo específico.
3. Aprendizado de Representação Consciente do Contraste via Metadados: Ao discretizar parâmetros heterogêneos de DICOM em sinais de supervisão estruturados, os autores permitem o aprendizado contrastivo supervisionado em larga escala. Os embeddings MR-CLIP resultantes superam os baselines supervisionados em tarefas de recuperação e classificação few-shot, demonstrando que os metadados de aquisição podem estruturar efetivamente arquivos clínicos de grande escala.

Resultados

O artigo valida o framework através de experimentos extensivos em dados clínicos de RM cerebral (King's College Hospital, Guy's and St Thomas', ADNI, OASIS-3 e o dataset de cabeças viajantes ON-Harmony).

• Supressão da Variabilidade de Aquisição: As representações anatômicas ($\beta$) mostraram um coeficiente de variação (CV) de volume inter-sequência significativamente menor em comparação com a RM bruta, mantendo um overlap de Dice similar para segmentação de tecido. Na classificação de AD cross-vendor (Siemens para GE), modelos usando inputs de $\beta$ alcançaram maior acurácia balanceada (0.65 vs. 0.60) do que aqueles usando RM bruta, indicando redução da sensibilidade ao desvio de scanner.
• Performance de Harmonização:
  • Fidelidade de Pixel: Variantes do DIST-CLIP alcançaram índices superiores de Similaridade Estrutural (SSIM) e Razão Sinal-Ruído de Pico (PSBT/PSNR) comparado aos baselines (HACA3 e TUMSyn) em tarefas de tradução de contraste cross-contrast (ex: T2w $\to$ PDw).
  • Consistência Anatômica: Em dados clínicos não vistos, os outputs harmonizados do DIST-CLIP alcançaram pontuações de Dice significativamente maiores (0.78) para parcelamento cerebral em comparação com HACA3 (0.70) e TUMSyn (0.38).
  • Utilidade Downstream: No dataset ON-Harmony, os dados harmonizados reduziram a acurácia de classificação de centro (indicando remoção de impressões digitais de scanner) de 0.79 para 0.42, enquanto preservaram o desempenho de predição de idade cerebral (MAE ~8.89 anos), enquanto os baselines falharam em remover assinaturas de scanner ou degradaram o sinal biológico.
• Utilidade de Metadados:
  • Recuperação e Classificação: O MR-CLIP alcançou alto recall em recuperação cross-modal (ex: 78.7% de recall@1 scan-to-metadata) e superou significativamente os modelos 3D ResNets end-to-end em classificação de sequência few-shot.
  • Controle de Qualidade: O framework detectou com sucesso corrupção sintética de metadados (erros numéricos, tags erradas, campos ausentes) medindo a similaridade de cosseno entre os embeddings de imagem e metadados. Com taxas de corrupção de 50%, o sistema alcançou AUC quase perfeita (0.997) para detectar grandes ausências de tags e erros numéricos.

Significância e Alegações

O artigo argumenta que a variabilidade de aquisição não é meramente uma fonte de ruído, mas um componente estruturado do processo de imagem que pode ser modelado, auditado e controlado. Ao aproveitar os metadados DICOM rotineiros, o MaRaI fornece uma base para:

• IA Clínica Robusta: Sistemas que são resilientes à heterogeneidade dos dados hospitalares do mundo real.
• Síntese Controlada: A capacidade de gerar aparências alvo baseadas em especificações de protocolo sem precisar de um scan de referência daquele protocolo específico.
• Auditoria de Dados: Detecção automatizada de inconsistências entre metadados e imagem em arquivos de larga escala, fechando um ciclo crítico para garantia de qualidade de dados em ensaios multicêntricos.

Os autores posicionam este trabalho como um passo em direção a "modelos de fundação conscientes da aquisição" que explicitamente consideram a física da formação da imagem, indo além de tratar o desvio de domínio como uma limitação inevitável. Eles reconhecem limitações, observando que o framework foca atualmente em RM cerebral adulta e que patologias e artefatos de movimento ainda não foram totalmente desmembrados dos fatores de aquisição, sugerindo estes como próximos passos naturais para uma decomposição de tri-fator.