Synthesis of Late Gadolinium Enhancement Images via Implicit Neural Representations for Cardiac Scar Segmentation

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Síntesis de Imágenes de Realce Tardío con Gadolinio mediante Representaciones Neuronales Implícitas para la Segmentación de Cicatrices Cardíacas

1. Planteamiento del Problema

La evaluación de las cicatrices miocárdicas es fundamental para el pronóstico y tratamiento de pacientes cardíacos. La Imagen por Resonancia Magnética Cardíaca (CMR) con Realce Tardío con Gadolinio (LGE) es el estándar clínico para esta tarea. Sin embargo, el desarrollo de métodos automatizados de segmentación enfrenta dos barreras principales:

• Escasez de datos anotados: La anotación manual de las cicatrices (fibrosis) requiere expertos médicos, es laboriosa y sujeta a variabilidad inter e intra-observador. Además, el tejido cicatricial suele tener límites difusos y heterogéneos.
• Limitaciones de las técnicas actuales: Las técnicas tradicionales de aumento de datos no capturan las relaciones espaciales complejas ni las variaciones sutiles de intensidad de las cicatrices. Los métodos de traducción de dominio (de cine CMR a LGE) a menudo requieren anotaciones manuales de las imágenes generadas o dependen de la disponibilidad de secuencias cine.

2. Metodología Propuesta

Los autores proponen un marco unificado que sintetiza simultáneamente imágenes LGE y sus máscaras de segmentación correspondientes, eliminando la necesidad de anotación manual para los datos sintéticos. El enfoque combina Representaciones Neuronales Implícitas (INR) y Modelos de Difusión.

El flujo de trabajo consta de las siguientes etapas:

• Representación Neuronal Implícita Conjunta (Joint INR):

  • Se modelan las imágenes LGE y sus máscaras (miocardio y fibrosis) como funciones continuas utilizando Redes de Representación Sinusoidal (SIREN).
  • La arquitectura utiliza una red compartida (backbone) para extraer características anatómicas comunes, seguida de cabezas específicas para cada tarea (intensidad de imagen, máscara de miocardio, máscara de fibrosis).
  • Esto garantiza la consistencia anatómica intrínseca entre la imagen generada y su máscara.
  • La función de pérdida combina la norma L2 para la reconstrucción de la imagen y la entropía cruzada binaria (BCE) para las máscaras.

• Compresión en Espacio Latente (INR2VEC):

  • Dado que los parámetros de los INR son de alta dimensión, se utiliza un codificador (INR2VEC) para comprimir los parámetros aprendidos en un vector latente compacto de 512 dimensiones.
  • Este paso preserva la información anatómica esencial mientras reduce drásticamente la dimensionalidad para el procesamiento posterior.

• Síntesis Basada en Difusión:

  • Se entrena un Modelo de Difusión Elucidado (EDM) en el espacio latente comprimido.
  • El modelo aprende la distribución compleja de las variaciones anatómicas. Para generar nuevos datos, el proceso invierte el ruido (denoising) para obtener un nuevo vector latente, el cual se decodifica mediante el decodificador INR2VEC para recuperar los parámetros del INR.
  • Finalmente, se consulta el INR decodificado para generar pares imagen-máscara sintéticos tridimensionales.

• Evaluación de Segmentación:

  • Los datos sintéticos se utilizan para aumentar el conjunto de entrenamiento de una red nnU-Net (estado del arte en segmentación médica) para segmentar miocardio y fibrosis en imágenes reales no vistas.

3. Contribuciones Clave

• Generación Conjunta Imagen-Máscara: Es, hasta donde se sabe, el primer método que utiliza difusión latente para sintetizar simultáneamente imágenes LGE y sus máscaras de segmentación correspondientes, asegurando coherencia anatómica sin anotación manual.
• Uso de INRs para Representación Continua: Aprovecha la capacidad de las INRs para capturar relaciones espaciales de alta frecuencia y detalles finos que las técnicas de aumento discretas suelen perder.
• Enfoque en la Escasez de Datos: Proporciona un método libre de anotación para mitigar la falta de datos en tareas de segmentación de tejidos heterogéneos como la fibrosis cardíaca.
• Código Abierto: El código del proyecto se ha hecho públicamente disponible.

4. Resultados

El estudio se realizó sobre un conjunto de datos de 133 pacientes (20-81 años) con escaneos LGE de eje corto.

• Calidad de la Síntesis:

  • Visualmente, las imágenes sintéticas mantienen el grosor de la pared, contornos suaves y geometría coherente.
  • Las regiones de fibrosis se generan en ubicaciones anatómicamente plausibles dentro de la pared miocárdica.
  • Métricas de similitud (PSNR y SSIM) muestran valores moderados, lo cual es esperado ya que no se busca una reconstrucción píxel a píxel, sino diversidad estructural. La similitud es mayor dentro de las regiones de interés (miocardio y fibrosis) que en el fondo.

• Rendimiento en Segmentación:

  • Fibrosis: La segmentación de la fibrosis mejoró significativamente al aumentar el conjunto de entrenamiento con 200 volúmenes sintéticos. El puntaje Dice aumentó de 0.509 (línea base) a 0.524 (+2.9%).
  • Mejora en Regiones Críticas: La mejora fue más pronunciada en los cortes apicales (top 25%), donde la fibrosis es pequeña, heterogénea y subrepresentada en los datos reales, logrando un incremento del +9.5% en el puntaje Dice.
  • Miocardio: La segmentación del miocardio mostró estabilidad, con una ligera disminución en el puntaje Dice al añadir más datos sintéticos, probablemente debido a efectos de suavizado en los límites, pero sin comprometer la corrección anatómica general.

5. Significado e Impacto

• Validación Clínica: La mejora en la segmentación de fibrosis, especialmente en regiones apicales difíciles, es clínicamente relevante dado que la cuantificación precisa de la cicatriz es crucial para la toma de decisiones terapéuticas.
• Eficiencia de Datos: El estudio demuestra que la síntesis conjunta imagen-máscara es una estrategia prometedora para diversificar conjuntos de datos pequeños, reduciendo la dependencia de anotaciones manuales costosas.
• Dirección Futura: Los resultados sugieren que la síntesis de datos es más efectiva para estructuras heterogéneas y subrepresentadas (como la fibrosis) que para estructuras anatómicas estables (como el miocardio). Esto abre la puerta a estrategias de síntesis específicas para tareas de imágenes médicas donde la escasez de datos es una limitación fundamental.

En conclusión, el marco propuesto demuestra que la combinación de INRs y modelos de difusión puede generar datos sintéticos anatómicamente consistentes que mejoran directamente el rendimiento de los modelos de aprendizaje profundo en tareas críticas de diagnóstico cardíaco.