Seeing Beyond the Image: ECG and Anatomical Knowledge-Guided Myocardial Scar Segmentation from Late Gadolinium-Enhanced Images

Resumen Técnico: Segmentación de Cicatrices Miocárdicas Guiada por ECG y Conocimiento Anatómico

1. Planteamiento del Problema

La segmentación precisa de las cicatrices miocárdicas a partir de imágenes de resonancia magnética cardíaca con realce tardío de gadolinio (LGE-CMR) es fundamental para evaluar la viabilidad del tejido y el riesgo de arritmias. Sin embargo, este proceso sigue siendo un desafío debido a:

• Variabilidad de contraste: La intensidad de la señal en las cicatrices no es uniforme.
• Artefactos de imagen: Ruido, heterogeneidad en la realce y artefactos de movimiento.
• Limitaciones de los métodos actuales: Las redes neuronales profundas basadas únicamente en imágenes (como U-Net o nnU-Net) a menudo fallan debido a la falta de contexto fisiológico y a la alta variabilidad de las imágenes.
• Desafío de fusión multimodal: Integrar la electrocardiografía (ECG) con la RMN es difícil porque las señales no se adquieren simultáneamente (a menudo con semanas o meses de diferencia) y existen diferencias dimensionales y de modalidad. Además, los artefactos magnetohidrodinámicos (MHD) pueden contaminar las grabaciones simultáneas.

2. Metodología Propuesta

Los autores proponen un marco de aprendizaje multimodal novedoso que integra información electrofisiológica (ECG) y priores anatómicos (Atlas AHA-17) para mejorar la segmentación. La arquitectura se compone de los siguientes elementos clave:

A. Arquitectura de Red Multimodal

• Codificador de Imagen ($E_{MRI}$): Procesa imágenes 2D de LGE-CMR.
• Autoencoder de ECG ($E_{ECG}$ / $D_{ECG}$): Extrae características ($z_{ECG}$) de las formas de onda medianas de las 12 derivaciones del ECG y reconstruye la señal para asegurar que las características aprendidas sean fisiológicamente relevantes.
• Fusión de Características: Se utiliza un mapa de características de nivel medio de la rama de imagen y se fusiona con las características del ECG mediante el módulo TAFF.

B. Módulo TAFF (Fusión de Características Consciente del Tiempo)
Este es el componente central para manejar la asincronía temporal entre el ECG y la RMN:

1. Red de Puerta (Gating MLP): Aprende pesos específicos por modalidad ($w_{MRI}, w_{ECG}$) para fusionar adaptativamente las características de la imagen y el ECG basándose en su complementariedad.
2. Capa Temporal FiLM: Modula las características fusionadas utilizando el intervalo de tiempo de adquisición ($t_{interval} = |t_{MRI} - t_{ECG}|$). Esta capa genera parámetros de escala ($\gamma$) y desplazamiento ($\beta$) para ajustar la interacción de las características según la recencia de la señal ECG.
3. Conexiones Residuales: Permiten que la red ignore la fusión si la señal ECG no es fiable, estabilizando el entrenamiento.

C. Prior Anatómico (Modelo AHA-17)

• Se genera un mapa de prior basado en el modelo de 17 segmentos de la Asociación Americana del Corazón (AHA).
• Este mapa de 17 canales se concatena con las imágenes de RMN para proporcionar contexto espacial y guiar la alineación de las características del ECG con regiones miocárdicas específicas, actuando como una regularización espacial.

D. Función de Pérdida
El entrenamiento se optimiza mediante una pérdida compuesta:
$$L_{total} = L_{seg} + \lambda_{ECG}L_{ecg} + \lambda_{ent}L_{ent}$$

• $L_{seg}$: Pérdida de segmentación (Dice + Entropía Cruzada).
• $L_{ecg}$: Error cuadrático medio entre la señal ECG reconstruida y la real (para mantener la integridad fisiológica).
• $L_{ent}$: Pérdida de entropía sobre los pesos de la puerta para evitar el colapso prematuro de la fusión durante el entrenamiento.

3. Contribuciones Clave

1. Marco TAFF: Diseño de un mecanismo de fusión que adapta dinámicamente la integración de ECG y RMN según la diferencia temporal de adquisición, abordando el problema de la no simultaneidad.
2. Integración del Prior AHA-17: Uso del modelo de 17 segmentos como un prior anatómico para guiar la fusión multimodal y mejorar la alineación entre las anomalías eléctricas y las regiones de tejido cicatricial.
3. Avance en el Estado del Arte: Uno de los primeros estudios en utilizar señales ECG para guiar la segmentación de imágenes de RMN, cerrando la brecha entre los dominios electrofisiológico y estructural.

4. Resultados Experimentales

El método se evaluó en un conjunto de datos clínico de 103 pares de RMN-ECG (Nottingham University Hospitals).

• Rendimiento General:

  • Línea Base (Solo Imagen - nnU-Net): Puntuación Dice promedio de 0.6149.
  • Método Propuesto (Multimodal + TAFF + AHA): Puntuación Dice promedio de 0.8463.
  • Mejora: Un aumento significativo del 37% en la puntuación Dice.
  • Precisión y Sensibilidad: El modelo propuesto alcanzó una precisión de 0.9115 y una sensibilidad de 0.9043.

• Estudios de Ablación:

  • Sin el prior anatómico ni la condición temporal, la fusión directa degradó el rendimiento (Dice 0.5916), inferior a la línea base de solo imagen, demostrando la dificultad de alinear ECG y RMN sin guías espaciales y temporales.
  • La adición del prior anatómico mejoró el Dice a 0.8234.
  • La inclusión de la condición temporal (TAFF) elevó el rendimiento final a 0.8463.

• Análisis Temporal: El modelo con condicionamiento temporal mostró mejoras más pronunciadas en casos con intervalos de tiempo largos (semanas o meses), demostrando robustez frente a grandes brechas temporales.

5. Significado e Impacto

• "Ver más allá de la imagen": El estudio demuestra que integrar conocimiento fisiológico (ECG) y anatómico (AHA) permite al modelo superar las limitaciones de los artefactos y la variabilidad de contraste en las imágenes de RMN.
• Robustez Clínica: La capacidad de manejar datos adquiridos en momentos diferentes es crucial para entornos clínicos reales (como el NHS), donde los ECG y las RMN rara vez se realizan el mismo día.
• Interpretabilidad: Los mapas de atención muestran que el modelo se centra en biomarcadores clínicamente relevantes (ondas Q, segmentos ST-T anormales) en derivaciones específicas, validando la base fisiológica de las predicciones.
• Futuro: Aunque los resultados son prometedores, se sugiere mejorar los algoritmos de digitalización de ECG y expandir el enfoque a 3D con conjuntos de datos más grandes para maximizar las ganancias.

En conclusión, este trabajo establece una nueva dirección para la segmentación de cicatrices cardíacas, demostrando que la fusión multimodal guiada por el tiempo y la anatomía es superior a los enfoques puramente basados en imágenes.