Detectando Anomalias em Imagens Cerebrais com Modelos de Difusão Condicional
Pesquisadores propõem um novo arcabouço baseado em modelos de difusão condicional para a detecção guiada de anomalias em imagens de ressonância magnética (MRI) cerebrais. A abordagem visa superar a limitação de métodos de aprendizado supervisionado, que demandam grandes volumes de dados de indivíduos com doenças, algo nem sempre disponível, especialmente para condições raras.
Métodos de detecção de anomalias não supervisionados baseados em reconstrução, particularmente aqueles que utilizam modelos de difusão, tornaram-se populares por permitirem o treinamento apenas com imagens saudáveis. No entanto, esses métodos partem do princípio de que um modelo treinado com dados normais não consegue representar ou reconstruir anomalias de forma precisa, uma suposição que frequentemente falha na prática, resultando em modelos que não reconstroem tecidos saudáveis corretamente ou não removem anomalias de forma eficaz.
O trabalho apresenta um modelo de difusão condicional que integra imagens de pseudo-patologia geradas sinteticamente no processo de modelagem. Essa abordagem fracamente supervisionada busca guiar a reconstrução de imagens saudáveis de maneira mais eficaz. Para criar as pseudo-patologias, os autores aplicam uma técnica de randomização de anomalias impulsionada por fluxo (fluid-driven anomaly randomization) para aumentar mapas de segmentação de patologias reais provenientes de um conjunto de dados auxiliar, garantindo que as anomalias sintéticas sejam realistas e coerentes anatomicamente.
A avaliação da capacidade do modelo em detectar patologias foi realizada utilizando tanto conjuntos de dados de anomalias sintéticas quanto patologias reais do conjunto de dados ATLAS. Os resultados demonstram que o modelo proposto supera consistentemente abordagens como autoencoders variacionais, e modelos de difusão latente condicionais e incondicionais. Além disso, em grande parte dos conjuntos de dados, o desempenho do novo modelo foi superior ao de métodos de inpainting supervisionados que tinham acesso a pares de imagens doentes/saudáveis.
Este estudo introduz uma técnica promissora para a detecção de anomalias em imagens médicas, especialmente relevante em cenários onde a obtenção de dados patológicos é um desafio. A utilização de modelos de difusão condicional combinada com a geração sintética de pseudo-patologias demonstra ser um caminho eficaz para melhorar a precisão e a confiabilidade da detecção de anomalias em MRI cerebrais.