Resumen Técnico: STRIQ – Registro Invariante Semántico y Topológico Guiado por Subespacio para Control de Calidad de Planos de Ultrasonido sin Anotaciones

1. Declaración del Problema

La imagenología por ultrasonido es crítica para el cribado y diagnóstico prenatal, sin embargo, su fiabilidad depende en gran medida de la experiencia del operador y de las condiciones de adquisición. Una calidad de imagen subóptima puede aumentar las tasas de diagnóstico erróneo hasta un 30% en aplicaciones clínicas específicas. Los enfoques actuales de Control de Calidad (QC) automatizado enfrentan tres limitaciones principales:

1. Enfoques de pseudoetiquetas: Estos dependen del agrupamiento en el espacio de características para generar etiquetas sustitutas, pero son altamente sensibles a las deformaciones espaciales omnipresentes en el ultrasonido clínico, lo que conduce a resultados sesgados bajo variaciones morfológicas.
2. Métodos de detección de estructuras: Estos infieren la calidad a partir de la confianza en puntos de referencia anatómicos, pero a menudo pasan por alto el contexto perceptual y requieren anotaciones manuales extensas.
3. Métodos de evaluación de calidad de imagen (IQA) de propósito general: Las técnicas estándar de IQA se transfieren mal a las imágenes médicas debido a la brecha de dominio entre la imagen natural y la médica.

Crucialmente, los métodos existentes no logran modelar explícitamente las transformaciones geométricas subyacentes a la degradación de la calidad ni aprovechar la invariancia topológica como un prior de evaluación. Además, aplicar una única red de registro a través de planos anatómicos heterogéneos a menudo resulta en una "transferencia negativa", donde el conocimiento específico de cada plano en conflicto degrada el rendimiento general.

2. Metodología: Marco STRIQ

Los autores proponen STRIQ (Registro Invariante Semántico y Topológico Guiado por Subespacio), un marco impulsado por registro que replantea el QC de ultrasonido sin anotaciones como un problema de medición de consistencia guiado por subespacio. El marco consta de dos módulos centrales:

2.1 Alineador de Registro Latente (LRA)

El LRA establece correspondencias jerárquicas en el espacio de características entre imágenes de consulta y anclajes de referencia impulsados por varianza (prototipos).

• Alineación Jerárquica: Utilizando un codificador siamés, el LRA extrae características a múltiples niveles. Emplea una serie en cascada de redes de localización para predecir transformaciones afines ($\Theta_l \in SE(2)$) en cada nivel, alineando progresivamente las características de la fuente desde los límites finos de los tejidos hasta la posición global del órgano.
• Aprendizaje de Consistencia: El LRA se optimiza mediante tres funciones de pérdida complementarias para imponer fidelidad semántica, estructural y topológica:
  • Alineación Semántica ($L_{sim}$): Maximiza la similitud del coseno entre características normalizadas con $\ell_2$ en una hipersfera unitaria.
  • Restricción Estructural Local ($L_{NCC}$): Utiliza la Correlación Cruzada Normalizada (NCC) en el espacio de características, que es inherentemente invariante a las transformaciones de intensidad afines comunes en el ultrasonido.
  • Regularizador de Suavidad ($L_{smooth}$): Penaliza la norma de Frobenio al cuadrado del jacobiano del campo de desplazamiento para garantizar la plausibilidad anatómica y la coherencia geométrica a través de los niveles.

2.2 Módulo de Subespacio de Conocimiento Ortogonal (OKS)

Para mitigar la transferencia negativa al procesar planos anatómicos heterogéneos (por ejemplo, rostro fetal frente a corazón), el módulo OKS descompone las representaciones en subespacios mutuamente ortogonales.

• Descomposición de Subespacio: Para cada plano anatómico $c$, OKS mantiene un experto de bajo rango $E_c = B_c A_c$. El espacio de conocimiento está generado por vectores de base que encapsulan dimensiones de conocimiento distintas.
• Aplicación de Ortogonalidad: Un término de pérdida ($L_{orth}$) minimiza la superposición representacional entre cualquier par de subespacios, asegurando que las representaciones específicas del plano permanezcan distintas.
• Selección Adaptativa y Supresión de Conflictos:
  • Durante la inferencia, OKS ensambla dinámicamente un "Experto de Sinergia" fusionando las bases de subespacio más relevantes para la entrada tanto de expertos específicos del plano como de un experto general compartido.
  • Una máscara binaria identifica parámetros "propensos a conflictos" (compartidos entre planos) frente a regiones "libres de conflictos".
  • Los gradientes para el experto general se proyectan sobre el complemento ortogonal del espacio de conocimiento previo, suprimiendo selectivamente la interferencia en los subespacios propensos a conflictos mientras se preserva el flujo directo de gradientes en otras partes.

2.3 Inferencia de Puntuación de Calidad

El sistema selecciona anclajes de referencia mediante un criterio de espectro de varianza, eligiendo imágenes con varianza mínima de incrustación de características intraclase para servir como prototipos estables. La puntuación de calidad final $Q(I_C)$ para una imagen de consulta se calcula como el inverso de la distancia promedio (basada en métricas semánticas, NCC y de suavidad) entre la consulta y el conjunto de anclajes de referencia.

3. Contribuciones Clave

1. Marco STRIQ: Un marco de QC impulsado por registro que integra priores de invariancia topológica en la medición de similitud a nivel de características, permitiendo una evaluación sin anotaciones tanto para escenarios intraoperatorios (tiempo real) como postoperatorios.
2. Módulos Arquitectónicos Novedosos:
   • LRA: Realiza una alineación jerárquica en el espacio latente para resolver la sensibilidad a las deformaciones espaciales.
   • OKS: Descompone las representaciones en subespacios ortogonales y discriminativos por plano para prevenir el conflicto de conocimiento interplano.
3. Validación Empírica: Una evaluación exhaustiva en los conjuntos de datos internos US4QA (ultrasonido fetal) y públicos CAMUS (cardíaco) demuestra que STRIQ logra una correlación de vanguardia con las puntuaciones de calidad clínica, manteniendo al mismo tiempo velocidades de inferencia en tiempo real (~5.6 ms/cuadro).

4. Resultados Experimentales

Los autores evaluaron STRIQ frente a métodos tradicionales de IQA sin referencia (NR-IQA) (BRISQUE, MSSIM), métodos de detección de estructuras (Puntuación Ponderada), métodos de IQA no supervisados (ARNIQA, SFD-IQA) y el estado del arte (SOTA) basado en pseudoetiquetas (CRL-UIQA).

• Rendimiento Cuantitativo: STRIQ logró el coeficiente de correlación de rango de Spearman (SRCC) más alto en todos los planos probados.
  • En US4QA, STRIQ promedió un SRCC de 0.845, superando al mejor anterior (CRL-UIQA, 0.779) en un +6.6%. La mejora fue más significativa en los planos de Riñón y Rostro, donde los métodos de pseudoetiquetas sufren colapso de incrustación inducido por deformación.
  • En CAMUS, STRIQ promedió un SRCC de 0.771, superando a CRL-UIQA en un +7.8%.
• Estudios de Ablación: La eliminación del módulo OKS causó la caída más pronunciada en el rendimiento (SRCC promedio 0.793, $p<0.01$), confirmando la necesidad de la descomposición de subespacio ortogonal. De manera similar, la eliminación del LRA jerárquico redujo el rendimiento a 0.749, destacando la importancia de la alineación multiescala.
• Robustez: El análisis cualitativo mostró que STRIQ asigna puntuaciones que disminuyen monótonamente a medida que las estructuras anatómicas se vuelven incompletas o se acumulan artefactos, whereas los métodos competidores produjeron predicciones erráticas bajo deformación geométrica.

5. Significado y Afirmaciones

El artículo afirma que STRIQ establece un nuevo paradigma para el control de calidad de ultrasonido en tiempo real, fiable y sin anotaciones. Al replantear el QC como un problema de medición de consistencia fundamentado en el registro guiado por subespacio, el método supera la inestabilidad del etiquetado pseudo bajo deformaciones complejas y los errores estructurales prevalentes en esquemas de ponderación con muchas anotaciones.

Los autores enfatizan que STRIQ no solo transfiere métricas generales de IQA, sino que modela explícitamente las transformaciones geométricas subyacentes a la degradación de la calidad. La capacidad del marco para mantener una inferencia de alta velocidad mientras logra una alineación clínica superior sugiere su viabilidad para su despliegue tanto en la guía de adquisición en tiempo real como en la auditoría clínica retrospectiva. El código está disponible para facilitar la investigación adicional en este dominio.