Temporally Consistent Mitral Annulus Measurements from Sparse Annotations in Echocardiographic Videos

Resumen Técnico: Mediciones del Anillo Mitral con Consistencia Temporal a partir de Anotaciones Dispersas en Videos Ecocardiográficos

Planteamiento del Problema
La evaluación precisa del anillo mitral es crítica para el diagnóstico de afecciones cardíacas, particularmente la insuficiencia mitral y la enfermedad coronaria. Las métricas clínicas clave, como la excursión sistólica del plano del anillo mitral (MAPSE) y el diámetro del anillo, dependen de la localización precisa de los puntos de referencia (landmarks) del anillo en la sístole final (ES) y la diástole final (ED). Aunque el aprendizaje profundo ha permitido la detección de puntos de referencia supervisada, los métodos existentes enfrentan dos desafíos principales:

1. Inconsistencia Temporal: La anotación manual fotograma a fotograma es laboriosa y propensa a inconsistencias. Los métodos automatizados existentes suelen centrarse en replicar las anotaciones humanas dispersas sin imponer una suavidad temporal, lo que conduce a trayectorias de puntos de referencia erráticas que no reflejan el movimiento fisiológico.
2. Puntos de Referencia Anatómicos Ausentes: Debido al campo de visión limitado en la ecografía, la anatomía objetivo suele desaparecer debido al movimiento del paciente o del operador. Los métodos actuales tienen dificultades para reconocer cuándo los puntos de referencia están fuera de la vista, lo que puede conducir a detecciones falsas.

Metodología
Los autores proponen un novedoso enfoque autosupervisado para lograr una localización de puntos de referencia con consistencia temporal utilizando únicamente anotaciones dispersas. El método integra tres componentes principales:

1. Arquitectura de la Red:

   • El sistema emplea una red neuronal convolucional (CNN) totalmente convolucional de tipo ResNet sin global pooling, utilizando GroupNorm para el entrenamiento con lotes pequeños.
   • La red procesa tres fotogramas consecutivos apilados en la dimensión de canales como entrada.
   • Utiliza una salida de doble cabeza: una cabeza de clasificación que predice la probabilidad de que un punto de referencia esté dentro de un parche de imagen específico, y una cabeza de regresión que infiere la distancia desde el centro del parche hasta el punto de referencia.
   • Las coordenadas finales del punto de referencia se calculan como la media ponderada de las ubicaciones regresadas, ponderadas por las probabilidades de clasificación.

2. Pérdida de Consistencia Temporal:

   • Para imponer suavidad, la red es entrenada para predecir no solo la posición del punto de referencia para el fotograma actual ($t$), sino también los vectores de desplazamiento hacia los fotogramas vecinos ($t-1$ y $t+1$).
   • Se introduce un término de pérdida autosupervisada ($L_{temp}$), que minimiza el error entre la ubicación predicha directamente en $t \pm 1$ y la ubicación derivada mediante la propagación de la predicción del fotograma $t$ utilizando los vectores de desplazamiento predichos.
   • Esta pérdida se combina con las pérdidas estándar de clasificación y regresión supervisada, escaladas por un factor $\beta = 0.5$.

3. Aumento del Campo de Visión:

   • Para manejar los puntos de referencia ausentes, el flujo de trabajo de entrenamiento incorpora aumentos realistas de rotación y recorte en forma de sector.
   • Estos aumentos simulan escenarios donde los puntos de referencia se mueven fuera del campo de visión de la ecografía.
   • Durante el entrenamiento, si un punto de referencia es recortado, su objetivo de clasificación se anula (se establece en cero) y la salida de regresión para ese parche se excluye de la retropropagación.
   • En la inferencia, si la probabilidad máxima de clasificación para un punto de referencia cae por debajo de un umbral específico, la predicción se retiene.

Contribuciones Clave

• Regularización Temporal Autosupervisada: La introducción de un término de pérdida que impone consistencia entre fotogramas vecinos sin requerir anotaciones densas, suavizando efectivamente las trayectorias de los puntos de referencia.
• Robustez ante Datos Faltantes: Una estrategia de aumento específica que entrena al modelo para reconocer y suprimir las predicciones de los puntos de referencia que están fuera del campo de visión, en lugar de alucinar posiciones.
• Eficiencia de Anotación Dispersa: El método logra una alta precisión utilizando únicamente fotogramas anotados de forma dispersa (sístole final y diástole final), reduciendo la carga de anotación en comparación con las estrategias de etiquetado denso.

Resultados
El método fue evaluado en un conjunto de datos combinado del dataset público CAMUS y un dataset privado del Centro Médico de la Universidad de Ámsterdam (AUMC), que contiene vistas apicales de 2, 3 y 4 cámaras.

• Precisión de Localización: El método propuesto logró un Error Absoluto Medio (MAE) de 2.48 ± 0.07 mm para la localización de puntos de referencia.
• Cálculo de MAPSE: El MAE para el MAPSE fue de 1.81 ± 0.14 mm, una mejora significativa sobre el método base (2.32 ± 0.14 mm, $p < 0.05$).
• Suavidad Temporal: El jerk absoluto medio (una medida de la suavidad de la trayectoria) se redujo de 3.18 a 0.98 mm/fotograma³, lo que indica un seguimiento de movimiento significativamente más plausible desde el punto de vista fisiológico.
• Reconocimiento de Puntos de Referencia Ausentes: El modelo logró un ROC-AUC de 0.99 para reconocer puntos de referencia ausentes cuando se probó con datos aumentados, en comparación con 0.91 sin los aumentos específicos de campo de visión.
• Tamaño del Anillo: El error en la medición de la distancia entre los puntos de referencia del anillo fue de 2.46 ± 0.31 mm.

Significancia y Reivindicaciones
El artículo afirma que el método propuesto proporciona una solución robusta para el seguimiento automatizado del anillo mitral que se alinea mejor con el comportamiento fisiológico esperado que los enfoques anteriores. Al reducir el error en los cálculos de MAPSE en aproximadamente 0.5 mm, los autores sugieren que el método podría mejorar la estratificación de riesgo para pacientes cercanos al valor de corte clínicamente relevante de 9 mm, el cual está asociado con un mayor riesgo de mortalidad.

Los autores mantienen una postura modesta respecto a las comparaciones amplias, señalando que, aunque sus resultados parecen superiores al trabajo previo (por ejemplo, Smistad et al.), la comparación directa es difícil debido al uso de diferentes conjuntos de datos. Reconocen que, si bien el método mejora el estado del arte para esta tarea específica, se necesita más investigación para determinar su eficacia en otras tareas de detección de puntos de referencia basados en video. Además, señalan que el reconocimiento de puntos de referencia ausentes fue validado con datos de prueba aumentados en lugar de un conjunto de datos clínicos que contenga puntos de referencia ausentes de forma natural, identificando esto como un área para la futura recolección de datos.