Resumen Técnico: SynVA – Un Kit Modular para la Generación de Vasos Sanguíneos y la Edición de Aneurismas

Declaración del Problema

Los aneurismas intracraneales (IA) representan una causa significativa de accidente cerebrovascular y mortalidad, pero su crecimiento impredecible y el riesgo de ruptura complican el diagnóstico temprano y la planificación del tratamiento. Aunque los gemelos digitales y el aprendizaje profundo ofrecen vías prometedoras para mejorar el pronóstico específico del paciente y el análisis hemodinámico (por ejemplo, la estimación del esfuerzo cortante de la pared), su eficacia se ve severamente limitada por la escasez de datos médicos 3D etiquetados, de gran escala y alta calidad. Los conjuntos de datos reales existentes tienen un tamaño limitado, y la reconstrucción de mallas 3D precisas a partir de imágenes médicas es propensa a errores y requiere intervención experta. Además, los métodos actuales de generación de datos sintéticos a menudo carecen de consistencia anatómica; o bien se centran exclusivamente en árboles vasculares sanos sin patología, o bien generan aneurismas como objetos aislados en lugar de como deformaciones localizadas de estructuras vasculares preexistentes. Existe una necesidad crítica de enfoques escalables que puedan generar mallas vasculares 3D anatómicamente plausibles y completamente etiquetadas con aneurismas integrados para apoyar el entrenamiento de modelos generativos y tareas de visión posteriores.

Metodología

Los autores presentan Vasculatura Sintética (SynVA), un kit modular diseñado para generar mallas vasculares 3D completamente etiquetadas, que abarcan tanto geometrías sanas como formaciones patológicas de aneurismas. SynVA integra modelos de aprendizaje basados en datos con un enfoque procedimental guiado por modelos, unificados por un flujo de trabajo fisiológico específico: los aneurismas no se generan de forma aislada, sino que se sintetizan como deformaciones localizadas condicionadas a un ostium predefinido (la intersección entre el vaso padre y el aneurisma).

El kit consta de tres componentes principales:

1. Generación de Vasos Sanos (SynVA-V1)

Este componente utiliza un modelo generativo basado en ajuste de flujo (flow-matching) para crear estructuras vasculares sanas. Opera en un proceso de dos etapas:

• Generación de Topología: Una topología de vaso discreta se aprende como un árbol dirigido enraizado utilizando un Transformer autoregresivo estilo GPT. Esta etapa codifica estructuras de ramificación sin geometría continua.
• Generación de Geometría: Dada una topología fija, una TreeFlowNet (una Red Neuronal de Grafos consciente de la topología) predice características de nodos continuas. Estas características incluyen posiciones de la línea central relativas al padre, puntos de control de la sección transversal local y parámetros de nudos de B-spline. El modelo se entrena utilizando ajuste de flujo condicional de transporte óptimo sobre datos reales (donde las regiones aneurismáticas fueron eliminadas manualmente para crear una verdad de terreno sana).
• Refinamiento: Los árboles de spline generados se convierten en mallas de superficie estancas mediante reconstrucción de superficie de Poisson filtrada, con un suavizado específico aplicado en las bifurcaciones.

2. Generación de Aneurismas Condicionada al Ostium

Una vez generado un vaso sano, se selecciona un ostium ya sea automáticamente (basado en regiones de bifurcación o priores de curvatura local) o manualmente mediante una interfaz gráfica de usuario (GUI). Tres métodos distintos generan la malla del aneurisma condicionada a este ostium:

• SynVA-A1: Una adaptación del modelo AneuG. Utiliza una representación latente compacta de Deformación Armónica de Grafos (GHD). El modelo se condiciona a la geometría local del vaso, a la geometría explícita del anillo del ostium y a parámetros morfológicos. Emplea una arquitectura VAE condicional con términos de pérdida específicos para imponer consistencia geométrica en la interfaz vaso-aneurisma.
• SynVA-A2: Una extensión de MeshAnything V2. Reformula la generación de mallas como una tarea autoregresiva condicionada a un contexto anatómico parcial. El modelo toma una nube de puntos local del vaso y una malla explícita del ostium (tokenizada como un prefijo forzado) para generar la malla del aneurisma como una continuación del ostium, en lugar de reconstruir una forma completa a partir de una nube de puntos completa.
• SynVA-P1 (Procedimental): Un modelo completamente procedimental basado en principios fisiológicos (por ejemplo, la ley de Murray para diámetros de vasos) y priores estadísticos. Genera un vaso bifurcado, selecciona un ostium y sintetiza un saco aneurismático a partir de un primitivo geométrico (icosfera) que se estira, perturba con ruido y, opcionalmente, se aumenta con un "bleb" (una protuberancia localizada asociada al riesgo de ruptura).

3. Post-procesamiento y Unión

Para todos los métodos, la malla del aneurisma generada se une al vaso padre en la interfaz del ostium. Esto implica eliminar elementos inválidos, recalcular normales, alinear las mallas y suavizar la región de transición para producir una única malla de vaso patológico continua con etiquetas de vértices semánticas (vaso sano, aneurisma, ostium).

Contribuciones Clave

El artículo describe cuatro contribuciones principales:

1. SynVA-V1: Un modelo basado en ajuste de flujo para la generación de vasos sanos que supera a las líneas base existentes (VesselGPT, VesselVAE) tanto en métricas de topología como de geometría.
2. Generadores Condicionados al Ostium: Dos modelos de aprendizaje basados en metodologías distintas (SynVA-A1 y SynVA-A2) para la síntesis localizada de aneurismas en vasos existentes, abordando la brecha en la modelización de los aneurismas como procesos consistentes con la superficie.
3. Modelo Procedimental (SynVA-P1): Un enfoque procedimental novedoso para generar mallas vasculares etiquetadas y aneurismas basados únicamente en principios biológicos y matemáticos, permitiendo la creación de conjuntos de datos a gran escala sin depender de entradas específicas del paciente.
4. Conjunto de Datos Sintéticos a Gran Escala: La publicación de un conjunto de datos que comprende 50.000 muestras de mallas 3D completamente etiquetadas (vasos con aneurismas), incluidas nubes de puntos derivadas, sub-mallas y descriptores morfológicos, destinado al entrenamiento de modelos generativos basados en mallas y tareas posteriores.

Resultados

Los autores realizaron evaluaciones cuantitativas y cualitativas extensas:

• Generación de Vasos Sanos: SynVA-V1 logró un rendimiento superior o competitivo frente a las líneas base. En un conjunto de pruebas curado, demostró una Discrepancia Media Máxima (MMD) menor y una Cobertura (COV) y una Precisión del Vecino Más Cercano 1 (1-NNA) más altas en comparación con VesselGPT. Las métricas de topología (divergencia KL de grados de nodos y distancia del espectro Laplaciano) también mejoraron.
• Generación de Aneurismas:
  • Cuantitativo: SynVA-A1 mostró un rendimiento ligeramente superior en métricas de similitud cuantitativa (distancia de Chamfer y desviaciones de parámetros morfológicos) en comparación con SynVA-A2 en un subconjunto compartido de generaciones exitosas.
  • Cualitativo (Estudio con Expertos): Dos neurorradiólogos calificaron las muestras generadas frente a la verdad de terreno. Aunque la verdad de terreno recibió la calificación más alta, SynVA-A2 recibió calificaciones de realismo ligeramente más altas que SynVA-A1, a pesar de las mejores puntuaciones cuantitativas de SynVA-A1. Los expertos notaron que SynVA-A1 tendía a producir formas excesivamente simétricas, mientras que SynVA-A2 generaba formas con irregularidades más clínicamente plausibles, aunque tenía una tasa de fallo más alta en la generación de mallas.
• Tarea Posterior (Segmentación Semántica): Para validar la utilidad del conjunto de datos sintético, los autores entrenaron un modelo Point Transformer V3 (PTv3) para la identificación de la cabeza del aneurisma.
  • Los modelos entrenados solo con datos sintéticos tuvieron un rendimiento pobre en datos reales de prueba (mIoU ~36,8%), destacando la brecha de dominio.
  • Sin embargo, el preentrenamiento sintético seguido de ajuste fino en datos reales superó significativamente a los modelos entrenados solo con datos reales, particularmente en regímenes de pocos datos (por ejemplo, 10% de datos reales). El preentrenamiento con 40.000 muestras sintéticas aumentó el mIoU de 50,41% a 63,88% cuando se ajustó finamente solo con el 10% de los datos reales.

Significado y Afirmaciones

El artículo posiciona a SynVA como un paso crítico hacia la superación de la escasez de datos en la investigación cerebrovascular. Al desacoplar la generación de vasos sanos de la síntesis de aneurismas y conectarlos mediante un ostium explícito, SynVA modela la formación de aneurismas como un proceso local y condicionado al vaso, lo que se alinea más estrechamente con la realidad fisiológica que la generación de formas aisladas.

Los autores afirman que SynVA permite:

• La generación de conjuntos de datos a gran escala, diversos y completamente etiquetados (50.000 muestras) que actualmente no están disponibles en el dominio público.
• Mejoras en el entrenamiento para tareas posteriores, demostrado por las ganancias significativas de rendimiento en la segmentación semántica al utilizar preentrenamiento sintético.
• Edición y análisis controlados, permitiendo a los investigadores generar variaciones patológicas específicas para estudiar riesgos de ruptura o entrenar modelos diagnósticos.

Los autores se mantienen modestos respecto a las limitaciones actuales: el modelo procedimental está limitado a bifurcaciones individuales y aún no captura la anatomía completa del Círculo de Willis a nivel del paciente; las geometrías generadas están optimizadas para la plausibilidad morfológica pero no modelan explícitamente cantidades hemodinámicas (por ejemplo, esfuerzo cortante de la pared), requiriendo una preparación adicional para simulaciones de dinámica de fluidos computacional (CFD). Enfatizan que los datos sintéticos están destinados a la investigación, la evaluación comparativa y el preentrenamiento, y no deben utilizarse como sustituto independiente para la toma de decisiones clínicas sin una validación extensa en datos del mundo real.