zea: A Toolbox for Cognitive Ultrasound Imaging

Resumen Técnico: zea: Una Caja de Herramientas para la Ecografía Cognitiva

Planteamiento del Problema
La ecografía es una modalidad médica ubicua, no invasiva y rentable, pero enfrenta desafíos persistentes en cuanto a la calidad de la imagen y su interpretación. Las cadenas de procesamiento tradicionales se basan en suposiciones ingenuas durante las etapas de procesamiento de señales, como el filtrado, la formación de haces y la reconstrucción, que no tienen en cuenta la naturaleza compleja de las señales de ultrasonido. Además, los flujos de trabajo actuales suelen tratar la adquisición (acción) y la reconstrucción (percepción) como procesos disjuntos. El paradigma emergente de la ecografía cognitiva busca cerrar este bucle acción-percepción ajustando dinámicamente los parámetros de adquisición basándose en observaciones en tiempo real. Sin embargo, la realización de este paradigma requiere manejar datos de alta dimensión y resolver problemas inversos complejos utilizando potentes modelos generativos profundos. Las soluciones de software existentes (por ejemplo, Field II, k-Wave, USTB, MUST) son adecuadas para la simulación y la reconstrucción estándar, pero carecen de la flexibilidad, la diferenciabilidad y la integración con aprendizaje profundo necesarias para flujos de trabajo cognitivos de bucle cerrado.

Metodología y Arquitectura
Para abordar estas limitaciones, los autores presentan zea, un paquete de Python diseñado como una cadena de procesamiento flexible, modular y diferenciable para la ecografía cognitiva. La caja de herramientas se construye sobre Keras 3, lo que permite la compatibilidad con los backends de TensorFlow, PyTorch y JAX, facilitando la integración fluida de modelos de aprendizaje profundo personalizados en la cadena de reconstrucción.

La arquitectura de zea se organiza en cuatro componentes principales:

1. Gestión de Datos: El paquete utiliza archivos HDF5 para almacenar datos crudos y parámetros de adquisición conjuntamente. Proporciona clases (zea.File, zea.Dataset, zea.Dataloader) optimizadas para flujos de trabajo de aprendizaje automático, incluyendo agrupación en lotes, mezcla, almacenamiento en caché y preprocesamiento. Soporta scripts de conversión para conjuntos de datos estándar como CAMUS, PICMUS y EchoNet.
2. Cadena de Procesamiento: Una clase sin estado y modular (zea.Pipeline) permite a los usuarios definir secuencias de operaciones (zea.Operation). Crucialmente, la cadena de procesamiento soporta la compilación Just-in-Time (JIT), lo que permite el ajuste dinámico de parámetros y la integración en tiempo real de modelos de aprendizaje profundo dentro del bucle de reconstrucción.
3. Modelos: zea incluye una colección de modelos predefinidos para el procesamiento de imágenes y señales, accesibles localmente o a través del Hugging Face Hub. Más allá de los modelos supervisados, ofrece modelos generativos (profundos) diseñados para resolver problemas inversos dentro de un marco de aprendizaje automático probabilístico.
4. Agentes: Este módulo contiene herramientas para interactuar con la cadena de procesamiento y los modelos, permitiendo la alteración de parámetros de la cadena o la selección de subconjuntos de datos adquiridos. El módulo de agentes está diseñado específicamente para cerrar el bucle acción-percepción, uniendo las fases de adquisición y reconstrucción.

Contribuciones Clave

• Una Cadena de Procesamiento Cognitiva Diferenciable: A diferencia de las cajas de herramientas tradicionales, zea proporciona una cadena de procesamiento completamente diferenciable que soporta el ajuste dinámico de parámetros, un requisito previo para la ecografía cognitiva donde las estrategias de adquisición deben adaptarse a las observaciones actuales.
• Integración de Modelos Generativos: La caja de herramientas soporta explícitamente modelos generativos profundos para aprender la distribución estructurada de las señales de ultrasonido, abordando la naturaleza de alta dimensión de los datos y los desafíos de los problemas inversos.
• Modularidad e Interoperabilidad: Al aprovechar Keras 3, la caja de herramientas ofrece una interfaz de alto nivel que permite a los investigadores integrar cadenas de procesamiento personalizadas en flujos de trabajo de aprendizaje automático más amplios, manteniendo la compatibilidad con los principales marcos de aprendizaje profundo.
• Ecosistema de Código Abierto: El paquete es de código abierto (Licencia Apache 2.0), disponible a través de PyPI y GitHub, e incluye 20 cuadernos de ejemplo que cubren diversos componentes. Cuenta con el apoyo de una cadena de integración continua (GitHub Actions) para pruebas, revisión de estilo y documentación.

Resultados y Validación
El artículo no presenta un único resultado experimental novedoso ni una comparación específica de referencia contra otras herramientas en este texto. En su lugar, la validación de la caja de herramientas se demuestra a través de su adopción y contribución por parte de la comunidad de investigación. Los autores señalan que zea ya ha sido utilizado y contribuido en varias obras recientes (por ejemplo, Luijten et al., 2020; Schaft et al., 2025; Stevens et al., 2024; Nolan et al., 2025; Federici et al., 2025). Estas obras citadas utilizan zea para tareas que van desde la formación de haces adaptativa y la inferencia activa para la dirección de haces de transmisión en bucle cerrado, hasta la eliminación de niebla en ecografías utilizando modelos de difusión y la reconstrucción 3D de alta tasa de volumen.

Significado y Afirmaciones
Los autores posicionan a zea como una herramienta complementaria al software de ecografía existente, dirigiéndose específicamente a la brecha en la ecografía cognitiva. El artículo afirma que, aunque la realización plena de la ecografía cognitiva es un esfuerzo en curso, esta caja de herramientas proporciona la infraestructura necesaria para impulsar más investigación y desarrollo en el campo. Al ofrecer una biblioteca modular y extensible que soporta flujos de trabajo de bucle cerrado e integración fluida con modelos de aprendizaje automático de última generación, zea tiene como objetivo facilitar el rediseño de las cadenas de procesamiento de ecografía actuales donde los parámetros se cambian dinámicamente basándose en observaciones pasadas y actuales. El significado radica en permitir la transición de un procesamiento estático y disjunto a sistemas cognitivos dinámicos de bucle cerrado.