Fighting MRI Anisotropy: Learning Multiple Cardiac Shapes From a Single Implicit Neural Representation

Título: Luchando contra la anisotropía en MRI: Aprendizaje de múltiples formas cardíacas a partir de una única representación neuronal implícita

1. El Problema

La resonancia magnética cardiovascular (CMRI) es fundamental para evaluar la morfología y función cardíaca, especialmente mediante imágenes de eje corto (SAX). Sin embargo, estas imágenes presentan dos limitaciones críticas:

• Baja resolución en el plano transversal (through-plane): Las slices suelen tener un grosor de 8-20 mm, lo que genera una representación espacial anisotrópica.
• Movimiento respiratorio: Causa desalineación entre slices.

Estos factores resultan en segmentaciones que no representan fielmente las formas continuas y suaves de las estructuras cardíacas (ventrículo izquierdo, miocardio, ventrículo derecho). Los métodos existentes de reconstrucción de superficies a menudo requieren segmentaciones de CMRI de alta resolución para el entrenamiento (que son raras en la práctica clínica) o se limitan a representar una sola estructura anatómica a la vez.

2. Metodología

Los autores proponen un enfoque que utiliza datos de Angiografía por Tomografía Computarizada (CTA), que son de alta resolución y casi isótropos, para entrenar un modelo que luego puede reconstruir formas cardíacas de alta resolución a partir de datos de CMRI de baja resolución.

• Representación Neuronal Implícita (INR): Se entrena una única función neuronal implícita (una red MLP tipo auto-decoder) para representar simultáneamente múltiples estructuras: el pool de sangre del ventrículo izquierdo (LVBP), el miocardio (MYO) y el ventrículo derecho (RV).
• Función de Distancia Signada (SDF): Cada forma se modela como el nivel cero (iso-superficie) de una función de distancia signada continua. La red aprende a predecir la distancia de cualquier punto 3D a las superficies del MYO y del RV.
• Vector Latente Multi-forma: La red se condiciona mediante un vector latente ($\vec{z}_P$) que codifica las características anatómicas específicas del paciente, permitiendo representar múltiples formas (MYO y RV) dentro de un mismo espacio latente compartido.
• Entrenamiento y Datos:
  • Datos de entrenamiento: 153 escaneos de CTA (Set 1) con segmentaciones de referencia generadas automáticamente.
  • Datos de prueba: 140 escaneos de CMRI (Set 2) con imágenes SAX y de 4 cámaras (4CH).
  • Procesamiento: Se normalizan las coordenadas y se alinean a un sistema de referencia común basado en los centros de masa de las cavidades cardíacas para eliminar la dependencia de la orientación.
  • Pérdida: Se utiliza una pérdida de error cuadrático medio (MSE) entre las distancias signadas predichas y las de referencia, con un término de regularización L2 sobre el vector latente. Se simplificó la función de pérdida eliminando términos hiperbólicos para acelerar el entrenamiento.

3. Contribuciones Clave

• Representación Conjunta Multi-estructura: A diferencia de trabajos anteriores que modelaban solo una estructura (ej. solo LVBP), este método aprende simultáneamente las formas del MYO (incluyendo endocardio y epicardio) y del RV en una sola red.
• Eficiencia de Datos: El modelo logra generalización y alta calidad de forma utilizando tres veces menos datos de CTA (100 pacientes vs. 341 en trabajos previos) y un procedimiento de entrenamiento más simple.
• Reconstrucción de Alta Resolución desde Datos Anisotrópicos: Demuestra que es posible inferir formas 3D suaves y anatómicamente plausibles a partir de nubes de puntos dispersas extraídas de CMRI de baja resolución, aprovechando los priors de forma aprendidos de la CTA.
• Velocidad: Reduce significativamente el tiempo de entrenamiento (1h 40m vs. 6h) y permite una inferencia rápida (~4 segundos por paciente).

4. Resultados

La evaluación se realizó reconstruyendo cortes de 4 cámaras (4CH) a partir de las formas inferidas y comparándolos con segmentaciones de referencia de CMRI.

• Métricas de Desempeño (4CH):
  • Ventrículo Derecho (RV): Coeficiente de Dice (DSC) de 0.91 ± 0.07 y distancia de Hausdorff de 6.21 ± 3.97 mm.
  • Miocardio (MYO): DSC de 0.75 ± 0.13 y distancia de Hausdorff de 7.53 ± 5.13 mm.
  • Estos resultados superan notablemente a las segmentaciones extraídas directamente de las imágenes SAX de baja resolución (DSC de 0.81 para RV y 0.57 para MYO en SAX puro).
• Generalización: Al simular nubes de puntos anisotrópicas (tipo SAX) a partir de datos de CTA de alta resolución, el modelo mantuvo una alta fidelidad en la reconstrucción, demostrando que el espacio latente aprendido es robusto y flexible.
• Calidad Visual: Las reconstrucciones muestran superficies suaves y anatómicamente coherentes, corrigiendo la anisotropía y la desalineación de slices típicas de la CMRI.

5. Significado e Impacto

Este trabajo representa un avance significativo en el análisis de formas cardíacas al:

1. Superar las limitaciones de hardware: Permite obtener modelos 3D de alta resolución de la anatomía cardíaca sin necesidad de adquirir CMRI de alta resolución (que es costosa y lenta), utilizando en su lugar los priors de forma de la CTA.
2. Mejorar la precisión clínica: Al proporcionar representaciones 3D continuas y suaves, facilita el cálculo más preciso de volúmenes, fracción de eyección y deformación miocárdica, cruciales para el diagnóstico y seguimiento de enfermedades cardíacas.
3. Viabilidad Clínica: La reducción en la cantidad de datos necesarios para el entrenamiento y la velocidad de inferencia acercan esta tecnología a una posible implementación en entornos clínicos reales.

El código del proyecto está disponible públicamente, fomentando la reproducibilidad y el desarrollo futuro en el campo de la reconstrucción de formas cardíacas.