3D Ultrasound-Derived Pseudo-CT Synthesis Using a Transformer-Augmented Residual Network for Real-Time Operator Guidance

Resumen Técnico: Síntesis de Pseudo-TC Derivada de Ultrasonido 3D Mediante una Red Residual Aumentada con Transformadores

Planteamiento del Problema
La Tomografía Computarizada (TC) es una piedra angular del diagnóstico clínico y de las intervenciones guiadas por imágenes, pero expone a los pacientes a radiación ionizante, un riesgo asociado con posibles cánceres inducidos por radiación. Aunque el Ultrasonido (US) ofrece una alternativa segura, no ionizante y rentable, adolece de limitaciones significativas: es altamente dependiente del operador, carece de caracterización cuantitativa de los tejidos (los valores de intensidad no corresponden a Unidades Hounsfield) y es susceptible a artefactos como la sombra acústica y la presión variable de la sonda. Estos factores a menudo conducen a incertidumbre diagnóstica y a exámenes de TC de seguimiento innecesarios. Los enfoques existentes de aprendizaje profundo para la síntesis entre modalidades enfrentan una compensación: las Redes Residual U-Net 3D (ResUNets) estándar capturan bien las características locales pero luchan con las relaciones anatómicas globales en volúmenes 3D grandes, mientras que arquitecturas como ResViT que integran transformadores a lo largo de toda la red a menudo incurren en altos costos computacionales y pueden degradar detalles locales finos, particularmente en datos de US ruidosos.

Metodología
El artículo propone un marco para generar volúmenes de pseudo-TC derivada de ultrasonido 3D (UD-pCT). El objetivo principal no es reemplazar la TC diagnóstica, sino proporcionar referencias anatómicas similares a la TC en tiempo real para guiar a los operadores de US, mejorando así la consistencia de la exploración y reduciendo las derivaciones innecesarias a TC.

1. Pipeline de Preprocesamiento de Datos:

   • Registro: Los autores utilizan el conjunto de datos TRUSTED, que contiene volúmenes emparejados de US renal 3D y TC. Se emplea un pipeline de registro multimodal basado en puntos de referencia para alinear espacialmente las modalidades. Esto implica estimar una transformación de similitud (rotación, escalado, traslación) utilizando puntos de referencia anatómicos mediante el algoritmo de Umeyama.
   • Recorte y Enmascaramiento: Para garantizar la correspondencia voxel a voxel y reducir el uso de memoria, se realiza un recorte de la Región de Interés (ROI) basado en máscaras de segmentación renal en US. Además, se aplica un paso de enmascaramiento del Campo de Visión (FOV) a los volúmenes de TC para igualar la geometría piramidal (en forma de tronco de cono) de la adquisición en US, enmascarando las regiones fuera del sector acústico del US.

2. Arquitectura Propuesta (BT-ResUNet3D):
   El núcleo del marco es una Red Residual U-Net3D con Transformador de Cuello de Botella (BT-ResUNet3D), diseñada como un modelo de traducción de imágenes entre modalidades emparejadas supervisado.

   • Generador: El generador sigue una estructura de codificador-decodificador residual 3D (esqueleto U-Net). Emplea bloques residuales profundos para capturar texturas locales y detalles anatómicos finos. Crucialmente, se introduce un módulo de transformador ligero exclusivamente en el cuello de botella. Este diseño permite a la red modelar dependencias volumétricas de largo alcance y coherencia anatómica global sin interrumpir la extracción de características convolucionales en etapas tempranas requerida para la preservación de detalles locales. El contexto global del transformador se fusiona con las características locales mediante adición residual.
   • Discriminador: Se utiliza un discriminador 3D Conditional PatchGAN para imponer realismo estructural local. Evalúa el realismo de parches volumétricos locales en lugar de una puntuación global única, fomentando la síntesis de texturas plausibles y límites estructurales nítidos.
   • Función de Pérdida: El modelo se entrena utilizando una función de pérdida compuesta que combina una pérdida de reconstrucción L1 a nivel de píxel (para garantizar precisión a nivel de vóxel) y una pérdida adversarial (para mejorar el realismo perceptual).

Contribuciones Clave

• Pipeline de Preprocesamiento Robusto: Los autores establecen un pipeline que involucra registro basado en puntos de referencia, recorte de ROI y enmascaramiento de FOV para construir pares de entrenamiento espacialmente alineados y anatómicamente consistentes, lo cual es crítico para una síntesis supervisada entre modalidades fiable.
• Arquitectura Novel (BT-ResUNet3D): La introducción de un cuello de botella aumentado con transformador dentro de un codificador-decodificador residual 3D. Este diseño captura explícitamente dependencias volumétricas de largo alcance mientras preserva la fidelidad anatómica local, abordando las limitaciones de las arquitecturas puramente CNN y de transformadores completos.
• Integración de Conditional PatchGAN: El uso de un Conditional PatchGAN 3D para imponer realismo estructural local y detalles anatómicos de alta frecuencia en los volúmenes sintetizados.
• Enfoque en Utilidad Clínica: El trabajo demuestra la viabilidad de utilizar volúmenes UD-pCT específicamente para la guía del operador durante la adquisición de US para mejorar la consistencia de la exploración y reducir el uso innecesario de TC, en lugar de como un sustituto diagnóstico directo.

Resultados Experimentales
El método se evaluó en el conjunto de datos TRUSTED (59 volúmenes emparejados, divididos en 47 casos de entrenamiento y 12 de prueba).

• Rendimiento Cuantitativo: El método propuesto logró una PSNR de 23.26 dB y una SSIM de 0.71, superando a líneas base establecidas que incluyen ResUNet 3D, UNet 3D, Pix2Pix y modelos basados en difusión (MedDiffusion, Difusión Condicional 3D). El estudio de ablación confirmó que el cuello de botella con transformador mejoró significativamente ambas métricas en comparación con una ResUNet 3D estándar.
• Análisis Cualitativo: Los resultados visuales muestran que, a pesar del ruido de granos y el bajo contraste en las imágenes de entrada de US, el modelo recupera con éxito estructuras coherentes a nivel de órgano (riñones) que se alinean estrechamente con la anatomía real de la TC. Los volúmenes sintetizados preservan los límites de los órganos y su extensión espacial.

Significado y Limitaciones
El artículo afirma que el marco propuesto ofrece una alternativa práctica y más segura para mejorar la guía y la eficiencia en la imagen médica. Al proporcionar contexto anatómico en tiempo real, los volúmenes UD-pCT pueden ayudar a los operadores a optimizar la posición y orientación de la sonda, reduciendo potencialmente la variabilidad entre operadores y el volumen de escaneos de TC innecesarios.

Los autores reconocen explícitamente las limitaciones, señalando que el tamaño relativamente pequeño del conjunto de datos emparejado (59 volúmenes) puede limitar la generalización del modelo. Indican que el trabajo futuro se centrará en adquirir conjuntos de datos más grandes y diversos e investigar estrategias semi-supervisadas o débilmente supervisadas para reducir la dependencia de datos de TC emparejados. El estudio mantiene un alcance modesto, posicionando la tecnología como una herramienta de apoyo para la guía del operador en lugar de un reemplazo para la imagenología de TC diagnóstica definitiva.