OpenPros: A Large-Scale Dataset for Limited View Prostate Ultrasound Computed Tomography

Resumen Técnico: OPENPROS

Planteamiento del Problema

El cáncer de próstata sigue siendo una de las principales causas de mortalidad relacionada con el cáncer, lo que hace necesaria su detección temprana. Aunque la resonancia magnética multiparamétrica (mpMRI) es el estándar de oro actual, su alto costo y acceso limitado dificultan su adopcción generalizada. La Tomografía Computarizada por Ultrasonido (USCT) ofrece una alternativa rentable mediante la reconstrucción de parámetros tisulares cuantitativos, como la velocidad del sonido (SOS), que sirven como biomarcadores de malignidad. Sin embargo, la USCT de próstata enfrenta barreras clínicas y técnicas significativas:

1. Adquisición de Ángulo Limitado: Las restricciones anatómicas limitan la colocación de los transductores a posiciones transrectales y transabdominales, creando datos dispersos y angularmente limitados que hacen que los métodos de inversión tradicionales basados en la física sean mal planteados, lentos para converger y propensos a artefactos severos.
2. Complejidad Tisular: El entorno prostático implica una alta heterogeneidad tisular y la proximencia a estructuras óseas pélvicas, lo que invalida las suposiciones simplificadas de fluidos utilizadas en otras modalidades como la imagen de mama.
3. Escasez de Datos: El desarrollo de algoritmos de reconstrucción robustos y generalizables se ve gravemente obstaculizado por la falta de conjuntos de datos a gran escala y anatómicamente precisos que simulen condiciones realistas de ángulo limitado con datos de onda completa. Los conjuntos de datos existentes se centran en la imagen de mama, carecen de realismo anatómico o no abordan los desafíos específicos de la región pélvica masculina.

Metodología

El artículo presenta OPENPROS, un conjunto de datos de referencia a gran escala y un marco de simulación diseñado para cerrar la brecha entre la investigación académica y el despliegue clínico para la USCT de próstata de ángulo limitado.

Construcción del Conjunto de Datos:

• Material de Origen: El conjunto de datos se deriva de 4 exploraciones clínicas reales de RM/TC y 62 especímenes de próstata ex vivo. Se realizaron anotaciones de experto en T2-weighted MRI (órganos), T1-weighted MRI (grasa) y rayos X CT (huesos).
• Mediciones Físicas: La velocidad del sonido (SOS) y la atenuación se midieron de especímenes ex vivo utilizando un escáner QT. Otros valores de SOS de órganos se obtuvieron de la base de datos de tejidos de la fundación ITIS.
• Generación de Fantomas: Se construyeron modelos digitales 3D de la próstata integrando estas segmentaciones anatómicas y distribuciones de SOS medidas. Para imitar la heterogeneidad del tejido, se aplicaron distribuciones gaussianas a los valores de SOS dentro de los tipos de tejido.
• Extracción 2D: Se generaron 280,000 fantomas de SOS 2D emparejados y formas de onda de ultrasonido mediante el seccionamiento de los modelos 3D bajo configuraciones de sonda clínicamente realistas (una transrectal, una abdominal) con rotaciones aleatorias (±45°) y perturbaciones.
• Simulación: La propagación de ondas se simuló utilizando un resolvedor de Diferencias Finitas en el Dominio del Tiempo (FDTD) de cuarto orden espacial y segundo orden temporal y resolvedores de ondas acústicas de Runge-Kutta. La configuración incluye 20 fuentes y 322 receptores, capturando transmisión y reflexión a través de diversas trayectorias acústicas. La simulación tiene en cuenta las condiciones de contorno absorbentes y utiliza una wavelet de Ricker de 1 MHz.

Marco de Evaluación Comparativa (Benchmarking):
Los autores establecieron una tarea de aprendizaje supervisado para aproximar el mapeo inverso de los campos de presión de ultrasonido ($p$) a los mapas de SOS ($c$). Compararon:

• Baselines Basados en Física: Beamforming de Delay-and-Sum y un método de inversión de USCT de múltiples etapas y múltiples frecuencias.
• Baselines de Aprendizaje Profundo: Una red neuronal convolucional (CNN) basada en InversionNet y una variante basada en Vision Transformer (ViT-Inversion) diseñada para capturar dependencias espaciales de largo alcance.

Contribuciones Clave

1. Conjunto de Datos OPENPROS: El primer benchmark de gran escala, disponible públicamente, específicamente para la USCT de próstata de ángulo limitado. Contiene más de 280,000 muestras emparejadas de fantomas de SOS 2D realistas y datos de forma de onda de ultrasonido correspondientes, derivados de fuentes clínicas y ex vivo.
2. Herramientas de Simulación de Código Abierto: La liberación de avanzados resolvedores de ondas acústicas FDTD y Runge-Kutta para asegurar la reproducibilidad y facilitar el desarrollo de nuevos métodos de inversión.
3. Evaluación Comparativa Exhaustiva: Una evaluación sistemática de métodos basados en la física y de aprendizaje profundo bajo condiciones realistas de ángulo limitado, estableciendo líneas base de rendimiento para la eficiencia de inferencia, la precisión de la reconstrucción y la generalización.

Resultados

Rendimiento Intra-Distribución (ID):

• Precisión: Los métodos de aprendizaje profundo superaron significativamente a los algoritmos tradicionales basados en la física. ViT-Inversion logró los mejores resultados con un RMSE de ~0.0205 y un SSIM de ~0.9967, lo que representa una reducción de 5 a 6 veces en el error en comparación con el baseline basado en la física (RMSE ~0.16).
• Eficiencia: Los métodos basados en datos demostraron una inferencia casi instantánea (4.9ms para InversionNet, 8.9ms para ViT-Inversion) en comparación con las horas requeridas para los métodos basados en la física (4–24 horas por muestra).
• Limitaciones Cualitativas: Aunque los modelos de aprendizaje profundo recuperaron las formas y los límites anatómicos globales con mayor claridad que los métodos basados en la física, fallaron en resolver las estructuras internas finas y las lesiones pequeñas, produciendo a menudo reconstrucciones suavizadas.

Generalización y Robustez:

• Generalización a Nivel de Paciente: Cuando se probaron en pacientes completamente nuevos (Fuera de Distribución), el rendimiento se degradó significamente (los errores aumentaron de 3 a 5 veces), resaltando la dificultad de generalizar a través de diferentes anatomías.
• Generalización Intra-Paciente: Los modelos funcionaron bien cuando se probaron en próstatas no vistas del mismo paciente, lo que sugiere que la variabilidad intra-paciente es menos desafiante que la variabilidad inter-paciente.
• Robustez al Ruido: ViT-Inversion demostró una resistencia superior al ruido gaussiano en comparación con InversionNet.

Significado y Reivindicaciones

El artículo posiciona a OPENPROS como un recurso crítico para motivar avances en el aprendizaje informado por la física, los modelos fundacionales para imágenes científicas y la reconstrucción consciente de la incertidumbre.

Los autores afirman que, si bien el aprendizaje profundo ofrece un camino hacia la reconstrucción de SOS rápida y clínicamente relevante, los métodos actuales aún no logran ofrecer las reconstrucciones de alta resolución y clínicamente aceptables requeridas para el despliegue en el mundo real. El conjunto de datos está destinado a:

• Permitir comparaciones de métodos justas y rigurosas.
• Exponer brechas críticas en la generalización y la robustez que deben abordarse antes de la traslación clínica.
• Servir como un benchmark de prototipado rápido para la reconstrucción de forma de onda a SOS, con la expectativa de que los enfoques exitosos se validen eventualmente en modelos más complejos de 3D y de múltiples parámetros.

El trabajo concluye que OPENPROS cierra la brecha entre la investigación de ML académica y las necesidades clínicas, pero enfatiza que aún quedan desafíos significativos para resolver los detalles anatómicos finos y lograr una generalización robusta a través de las variaciones anatómicas no vistas.