Towards Real-Time Autonomous Navigation: Transformer-Based Catheter Tip Tracking in Fluoroscopy

ملخص تقني: نحو ملاحة ذاتية في الوقت الفعلي: تتبع طرف القسطرة القائم على المحولات (Transformer) في التصوير الفلوري

بيان المشكلة
يعد استئصال الخثرة الميكانيكي (MT) تدخلاً حرجاً لحالات السكتة الدماغية الناتجة عن انسداد الأوعية الكبيرة، ومع ذلك فإن فعاليته حساسة للوقت ومحدودة بسبب نقص الوصول إلى العلاج الموضعي. وبينما توفر المنصات الروبوتية للأوعية الدموية والتعلم المعزز (RL) القائم على الملاحة الذاتية حلولاً واعدة، فإن مناهج التعلم المعزز الحالية تتطلب تتبعاً دقيقاً ولحظياً لإحداثيات أطراف الأجهزة (القسطرة وسلك التوجيه) لكي تعمل. وتواجه طرق تتبع الأجهزة الحالية صعوبات في ظل الظروف السريرية الواقعية التي تتميز بضعف تباين الصور، والضجيج، وضبابية الحركة، وحجب الجهاز. علاوة على ذلك، لا يزال من غير الواضح ما إذا كانت نماذج التعلم العميق المدربة على بيانات اصطناعية أو نماذج محاكاة (phantom) يمكن أن تعمم نتائجها على التصوير الفلوري السريري الحي (in vivo)، خاصة عندما تكون الأجهزة مخفية جزئياً. إن غياب خطوط معالجة قوية لتتبع الأجهزة في الوقت الفعلي، قادرة على العمل عبر نماذج تصوير متنوعة، يعيق انتقال الملاحة الذاتية من عمليات المحاكاة الحاسوبية (in silico) إلى التطبيق السريري.

المنهجية
يقترح المؤلفون خط معالجة متعدد الخيوط (multi-threaded) لتتبع طرف القسطرة وسلك التوجيه في الوقت الفعلي، مصمم للعمل تحت ظروف التصوير الفلوري الصعبة. يدمج النظام أربع مراحل غير متزامنة:

1. القارئ (Reader): يلتقط إطارات التصوير الفلوري الخام أو الفيديو بشكل مستقل عن سرعة الاستدلال لمنع سقوط الإطارات.
2. المعالج المسبق (Preprocessor): يقوم بتغيير حجم الإطارات، وتطبيعها، وتحويلها إلى تنسيق التنسور (tensor).
3. الاستدلال (Inference): يمرر الإطارات عبر نماذج التجزئة المدربة. بالنسبة للصور الكبيرة، تُستخدم طريقة النافذة المنزلقة مع رقع متداخلة لتحقيق التوازن بين الجودة والذاكرة.
4. المعالج اللاحق (Post-processor): يعمل على تحسين أقنعة التجزئة من خلال دمج المكونات، وإزالة العيوب، والهيكلة (skeletonization). ومن الضروري أنه يستخدم تصفية مكونات من خطوتين وهيكلة متوسطة (medial skeletonization) ببيكسل واحد لتحديد النهايات. ولتثبيت التتبع ضد ضبابية الحركة والحجب، يقوم النظام بأخذ عينات من ثلاث نقاط على طول الهيكل: الطرف الأساسي ($T_0$) ونقطتين في اتجاه المصب ($T_1, T_2$) عند 5 و10 بكسل على التوالي.

بنيات النماذج
تم تدريب واختبار ثلاث بنيات تجزئة للتعلم العميق باستخدام مجموعة بيانات CathAction (25,000 قناع على مستوى البيكسل من نماذج محاكاة in vitro وكائنات حية من فصيلة الخنازير in vivo):

• U-Net القياسي: نموذج U-Net معدل ذو 16 قناة تم تحسينه باستخدام AdamW لتلبية قيود الذاكرة في الوقت الفعلي، وهو يختلف عن نسخة الـ 64 قناة الأصلية التي استخدمت SGD في الدراسات السابقة.
• U-Net + Transformer: يستبدل عنق الزجاجة في U-Net بوحدة محول (transformer) ذاتية الانتباه مكونة من 16 طبقة و16 رأساً لالتقاط سياق أوسع.
• SegFormer: يستخدم مشفر Mix Transformer B5 مع وحدة فك تشفير U-Net متماثلة، ويتضمن وحدات انتباه الضغط والتحفيز المكاني والقنوي (scSE).

قيمت الدراسة كل من صيغ التصنيف الثنائي (الأداة مقابل الخلفية) والتصنيف الثلاثي (القسطرة مقابل سلك التوجيه مقابل الخلفية) لتحديد تأثيرهما على دقة التتبع اللاحقة.

المساهمات الرئيسية

1. خط تتبع مبتكر: تقديم خط معالجة يعتمد على الهيكلة وأخذ عينات متعددة النقاط يحسن استقرار التحديد في وجود التباين المنخفض، والحجب الجزئي، وتداخل الأدوات.
2. التقييم المتكامل: إثبات أن بنيات التجزئة الحديثة، عند دمجها ضمن إطار تتبع، تتفوق على المعايير المرجعية الحالية في مجموعة بيانات CathAction، متجاوزةً مجرد مقاييس التجزئة المستقلة لتشمل خطأ تحديد موقع الطرف.
3. التحقق عبر المجالات: التحقق من منهجية العمل عبر بيانات التصوير الفلوري من نماذج محاكاة in vitro، وكائنات حية من فصيلة الخنازير in vivo، وبيانات سريرية بشرية in vivo دون الحاجة لضبط دقيق (in vivo fine-tuning)، مما يقيم القدرة على التعميم عبر نماذج التصوير المختلفة.

النتائج

• معيار CathAction: حقق نموذج SegFormer ذو التصنيف الثنائي أعلى أداء (Dice: 0.809, IoU: 0.722)، متفوقاً على U-Net وU-Net+Transformer. وفي التجزئة ثلاثية التصنيف، تصدر SegFormer أيضاً بنتيجة Dice بلغت 0.667، متجاوزاً المعايير السابقة (مثل U-Net بنسبة 0.517).
• النماذج المحاكية (In Vitro) RGB غير المتصلة: حقق SegFormer أدنى متوسط خطأ مطلق (MAE) في تتبع التصنيف الثنائي (0.47 مم). ومع ذلك، في تتبع التصنيف الثلاثي، كان أداء U-Net هو الأفضل (0.60 مم)، بينما عانى SegFormer من أخطاء أعلى (1.21 مم) بسبب الفروع الناتجة عن سوء التصنيف.
• التصوير الفلوري الحي (In Vivo): في البيانات السريرية المصنفة حسب التعقيد، أظهر نموذج SegFormer (ثنائي التصنيف) باستمرار أكثر مستويات الاستقرار ودقة تحديد الموقع. وفي مجموعة "التعقيد المتوسط" (G2)، حقق متوسط خطأ مطلق قدره 4.44 مم، متفوقاً على U-Net (4.60 مم) وU-Net+Transformer (6.20 مم). أظهرت النماذج ثلاثية التصنيف عموماً أخطاءً أكبر وعيوباً أكثر في الخلفيات التشريحية المعقدة.
• السرعة: حافظ النظام على أداء الوقت الفعلي، حيث تراوحت سرعات الاستدلال بين ~21 إلى ~30 إطاراً في الثانية اعتماداً على النموذج ومجموعة البيانات.

الأهمية والادعاءات
يدعي البحث أن إطار التتبع متعدد الخيوط المقترح يحافظ على أداء مستقر في ظل ظروف التصوير الصعبة، مما يوفر أساساً موثوقاً للملاحة الذاتية القائمة على التعلم المعزز (RL). ويؤكد المؤلفون أنه بينما يتفوق النظام على المعايير السابقة ويثبت جدوى التتبع في الوقت الفعلي، فإنه لا يحقق بعد دقة مستوى السرير (أقل من 1 مم) في الإعدادات الحية (in vivo). وتُعزى الأخطاء المرصودة (4–7 مم) إلى انزياح النطاق (التباين، الضجيج، الحركة)، والحجب، ونقص بيانات التدريب الحية.

خلصت الدراسة إلى أن التجزئة ثنائية التصنيف توفر أفضل توازن بين السرعة والاستقرار ودقة تتبع الطرف للاحتياجات الحالية. ومع ذلك، تظل التجزئة ثلاثية التصنيف قيمة للملاحة الذاتية القائمة على التعلم المعزز، حيث تتيح تتبع كل من القسطرة وسلك التوجيه في آن واحد، مما يوفر مدخلات أغنى لوكلاء اتخاذ القرار. يضع هذا العمل حجر الأساس نحو أنظمة قابلة للنشر سريرياً، مشدداً على أن التحسينات المستقبلية في تكييف النطاق وإدراج بيانات تدريب حية متنوعة ضرورية لسد الفجوة بين أداء النماذج المحاكية والواقع السريري.