Separar las imágenes del cerebro: dónde está la enfermedad y dónde la distorsión exprés
Dos imágenes del mismo cerebro tomadas en momentos distintos se parecen a las fotos de una misma casa antes y después de una reforma. Para entender qué ha cambiado, se superponen y se observan las diferencias. Pero el tomógrafo no es una cámara perfecta: él mismo añade distorsiones, como si la foto se hubiera tomado a través de un cristal ligeramente ondulado. Antes, los programas no distinguían qué cambios eran reales y cuáles provenían del aparato.
La red neuronal DisMorph aprende con ejemplos totalmente sintéticos, donde se sabe de antemano qué parte de la distorsión es técnica y cuál anatómica. Luego descompone las diferencias entre dos imágenes en dos flujos: uno se encarga de las interferencias del tomógrafo y el otro, de los cambios reales en los tejidos. Este enfoque recuerda al trabajo de un restaurador que separa las grietas de la pintura vieja para entender qué había originalmente en el cuadro.
En pares de imágenes de pacientes con Alzheimer, el método detectó cambios en las estructuras cerebrales relacionadas con la enfermedad y, a la vez, señaló las distorsiones residuales tras la corrección estándar. Es como si el médico recibiera no una imagen borrosa, sino dos nítidas: una muestra el cerebro en sí y la otra, los defectos de la toma.
Este enfoque abre el camino a mediciones más precisas de los cambios cerebrales en clínicas donde los aparatos y los ajustes no siempre son iguales. En lugar de adivinar si lo que se ve es enfermedad o artefacto, el médico podrá verlos por separado.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2608.08173v1
Longitudinal MRI enables sensitive measurement of structural brain change for studying aging and neurodegenerative disease. Deformable image registration is a key tool for estimating such change by computing a dense deformation that captures geometric differences between longitudinal scans. However, MRI scanners introduce geometric distortions that vary across acquisition systems and protocols, such as gradient non-linearity (GNL) distortion. Existing registration methods estimate a single field that conflates biological and technical effects, potentially biasing downstream morphometric measurements if distortions remain (partially) uncorrected. We propose $$\texttt{DisMorph}$$, a registration framework trained entirely on synthetic data that explicitly decomposes longitudinal deformation into technical and anatomical transforms. It predicts two dense deformations, each encoding one effect. During training, a novel generative model synthesizes both effects separately to provide disentanglement supervision, while domain randomization promotes generalization across imaging protocols. We evaluate our method in three complementary settings. On simulated data with known ground truth, our method detects anatomical change more accurately and consistently than conventional registration. On real image pairs that differ only by GNL distortion, our method assigns most geometric change to the distortion field, demonstrating specificity in the absence of anatomical change. On longitudinal Alzheimer's disease (AD) pairs, our method detects anatomical change in AD-related brain structures while identifying residual distortion left after standard correction. By disentangling MRI-induced distortion from biological change in the longitudinal deformation, our method paves the way for more accurate longitudinal morphometry in clinical settings where maintaining acquisition consistency is challenging.
La no linealidad de gradiente es una distorsión en la que las líneas rectas de la imagen parecen curvas, como un reflejo en un espejo deformante. Surge de la imperfección del campo magnético del tomógrafo.
En la serie «Black Mirror» hay un episodio en el que los recuerdos se graban y se revisan, pero la tecnología distorsiona los detalles. DisMorph resuelve una tarea similar: separa las interferencias técnicas de los cambios reales, solo que para imágenes del cerebro.