Progressive Learning with Anatomical Priors for Reliable Left Atrial Scar Segmentation from Late Gadolinium Enhancement MRI

Título: Aprendizaje Progresivo con Priors Anatómicos para la Segmentación Confiable de Cicatrices del Atrio Izquierdo en Resonancia Magnética con Realce Tardío de Gadolinio (LGE)

1. Problema

La fibrilación auricular (FA) es una arritmia cardíaca prevalente asociada a un alto riesgo de tromboembolismo. La ablación con catéter es un tratamiento común, pero la recurrencia de la FA sigue siendo un problema. La identificación no invasiva de las cicatrices (fibrosis) en el atrio izquierdo (AI) mediante Resonancia Magnética con Realce Tardío de Gadolinio (LGE) es crucial para predecir el éxito de la ablación y la recurrencia.

Sin embargo, la segmentación automática de estas cicatrices presenta desafíos significativos:

• Bajo contraste: Las cicatrices tienen una intensidad de señal muy similar al tejido sano.
• Tamaño y forma: Las cicatrices son extremadamente pequeñas, fragmentadas e irregulares en comparación con la resolución espacial de la imagen.
• Variabilidad de anotación: Las etiquetas manuales a menudo contienen ruido (anotaciones fuera de la pared del atrio o dentro de la cavidad), lo que introduce sesgos en el entrenamiento de modelos de aprendizaje profundo.
• Desbalance de clases: La fracción de cicatriz es mínima (aprox. 0.69% de los vóxeles), lo que dificulta el aprendizaje directo.

2. Metodología

Los autores proponen una estrategia de aprendizaje progresivo de tres etapas inspirada en el flujo de trabajo clínico (un residente primero aprende la anatomía general, luego la relación espacial y finalmente los detalles finos de la patología), utilizando una arquitectura basada en SwinUNETR.

• Etapa I: Pre-entrenamiento en la cavidad del AI.

  • El modelo se entrena exclusivamente para segmentar la cavidad del atrio izquierdo.
  • Objetivo: Establecer "priors anatómicos" robustos y aprender la geometría global sin la complejidad de detectar las pequeñas cicatrices, evitando la inestabilidad del entrenamiento multitarea desde cero.

• Etapa II: Aprendizaje de doble tarea (Dual-task).

  • Se introduce una rama paralela para la segmentación de cicatrices, manteniendo la segmentación de la cavidad como tarea de regularización.
  • Arquitectura: Un codificador (encoder) compartido y dos decodificadores (uno para la cavidad, otro para la cicatriz).
  • Pérdida con prior anatómico: Se introduce una función de pérdida espacialmente ponderada y consciente de la anatomía. Se crea una máscara de la pared del atrio (basada en transformaciones de distancia euclidiana) que actúa como un peso suave. Esto fuerza al modelo a concentrar las predicciones de cicatriz dentro de la pared anatómicamente plausible, mitigando el ruido de las anotaciones que caen fuera de la pared.
  • Estrategia de actualización: Los parámetros del codificador y el decodificador de la cavidad se actualizan con cautela para preservar los conocimientos anatómicos, mientras que el decodificador de cicatrices se entrena más agresivamente.

• Etapa III: Ajuste fino (Fine-tuning) de la segmentación de cicatrices.

  • El modelo se ajusta exclusivamente para la tarea de segmentación de cicatrices.
  • Se congelan los parámetros iniciales del codificador para preservar las representaciones anatómicas de bajo nivel aprendidas en la Etapa I y evitar el "olvido catastrófico".
  • Se utiliza una estrategia de aumento de datos "on-the-fly" inspirada en la física (perturbaciones de intensidad, deformaciones elásticas, ruido) para mejorar la generalización con datos limitados.

3. Contribuciones Clave

1. Marco de Aprendizaje Progresivo Clínico: Un enfoque novedoso que imita el razonamiento diagnóstico clínico, pasando de estructuras anatómicas "fáciles" (cavidad) a patrones espaciales y finalmente a la delineación de tejido patológico "difícil" (cicatriz).
2. Pérdida Espacialmente Ponderada Anatómicamente: Una innovación que incorpora conocimiento clínico previo (las cicatrices solo ocurren en la pared del atrio) como una restricción suave durante el entrenamiento. Esto reduce el sesgo por ruido en las anotaciones sin alterar el objetivo de segmentación principal.
3. Estrategia de Aumento de Datos Físicamente Inspirada: Un pipeline de aumento de datos adaptado específicamente para imágenes LGE, simulando variaciones realistas de intensidad, deformaciones geométricas y artefactos de adquisición para mejorar la robustez.

4. Resultados

El modelo se validó utilizando el conjunto de datos público LASCARQS (2022) mediante validación cruzada de 5 pliegues.

• Segmentación de la Cavidad del AI: Logró un puntaje Dice de 0.94 en la Etapa I, demostrando una alta precisión anatómica.
• Segmentación de Cicatrices:
  • El enfoque completo (Etapa I + II + III) alcanzó un Dice de 0.50, una Distancia de Hausdorff (HD) de 11.84 mm y una Distancia Superficial Promedio (ASD) de 1.80 mm.
  • Comparación: Esto supera ligeramente al modelo de una sola etapa (I+II) que obtuvo un Dice de 0.49, HD de 13.02 mm y ASD de 1.96 mm.
  • Estudio de Ablación: Se demostró que saltar la Etapa I (pre-entrenamiento anatómico) o la Etapa II (transición dual) degrada el rendimiento, confirmando que el aprendizaje progresivo es esencial para manejar el desbalance de clases y la complejidad de la tarea.
• Comparación con Baselines: El rendimiento fue comparable a modelos de referencia como nnU-Net (Dice 0.50), pero con una arquitectura más compleja (SwinUNETR) que requiere más recursos computacionales.

5. Significado y Conclusión

El estudio demuestra que integrar explícitamente el conocimiento clínico y el razonamiento anatómico en el diseño de modelos de aprendizaje profundo mejora la fiabilidad y precisión de la segmentación de tejidos patológicos pequeños y de bajo contraste.

• Robustez: La estrategia progresiva permite que el modelo aprenda representaciones estables antes de enfrentarse a la dificultad extrema de las cicatrices.
• Corrección de Ruido: La restricción anatómica suave es vital para evitar que el modelo aprenda de anotaciones erróneas (ruido) que son comunes en conjuntos de datos públicos.
• Implicación Clínica: Aunque el puntaje Dice absoluto para las cicatrices sigue siendo un desafío debido a la naturaleza fragmentada del tejido, el enfoque propuesto ofrece una vía más estructurada y clínicamente informada para abordar problemas de segmentación médica complejos, superando la dependencia exclusiva de arquitecturas de redes neuronales cada vez más complejas.

En resumen, el trabajo valida que un diseño de modelo informado clínicamente, que simula el proceso de aprendizaje humano, es superior a los enfoques de optimización directa para tareas de segmentación médica con datos limitados y anotaciones imperfectas.