Avaluació d’estratègies d’augmentació i generació d’imatges sintètiques per a patologies cerebrals rares

Abstract

[eng] The development of machine learning models for rare cerebral pathologies is often hindered by limited datasets and high variability in imaging acquisition. In this project, we present a modular pipeline for processing, augmenting, and synthetically generating 2D TOF-MRA images. We explore classical data augmentation using TorchIO with morphological operations, as well as generative approaches based on pre-trained Diffusion models and conditional Pix2Pix networks. Quantitative and qualitative evaluations, including radiomic feature extraction, domain classifiers, and clinical proxy tasks, demonstrate the trade-offs between anatomical fidelity and dataset variability. Our results highlight that classical augmentation ensures consistent anatomical structures, while generative models expand variability but may introduce domain shifts. This work provides a reproducible framework for studying rare cerebrovascular conditions and sets the foundation for integrating clinical data in future studies.

[cat] El desenvolupament de models d’aprenentatge automàtic per a patologies cerebrals rares es veu limitat per la manca de conjunts de dades suficients i la variabilitat en els protocols d’adquisició d’imatges. En aquest projecte, presentem un pipeline modular per al processament, augmentació i generació sintètica de slices TOF-MRA en 2D. Es comparen tècniques d’augmentació clàssiques amb TorchIO i operacions morfològiques, així com models generatius basats en Diffusion preentrenades i xarxes Pix2Pix condicionades. L’avaluació quantitativa i qualitativa, incloent l’extracció de característiques radiòmiques, classificadors de domini i tasques clíniques proxy, evidencia els compromisos entre fidelitat anatòmica i variabilitat del conjunt de dades. Els resultats mostren que l’augmentació clàssica preserva millor l’estructura anatòmica, mentre que els models generatius amplien la variabilitat amb un possible desplaçament de domini. Aquest treball estableix un marc reproduïble per a l’estudi de patologies cerebrovasculars rares i serveix de base per a la integració de dades clíniques en estudis futurs.

[spa] El desarrollo de modelos de aprendizaje automático para patologías cerebrales raras se ve limitado por la escasez de conjuntos de datos y la alta variabilidad en los protocolos de adquisición de imágenes. En este proyecto, presentamos un pipeline modular para el procesamiento, la augmentación y la generación sintética de slices TOF-MRA en 2D. Se comparan técnicas de augmentación clásicas con TorchIO y operaciones morfológicas, así como enfoques generativos basados en modelos Diffusion preentrenados y redes Pix2Pix condicionadas. La evaluación cuantitativa y cualitativa, incluyendo la extracción de características radiómicas, clasificadores de dominio y tareas clínicas proxy, evidencia los compromisos entre la fidelidad anatómica y la variabilidad del conjunto de datos. Los resultados muestran que la augmentación clásica preserva mejor la estructura anatómica, mientras que los modelos generativos amplían la variabilidad con posibles desplazamientos de dominio. Este trabajo establece un marco reproducible para el estudio de patologías cerebrovasculares raras y sienta las bases para la integración de datos clínicos en investigaciones futuras.