Resumen Técnico: VITO – Geometría Vascular y Estimación del Flujo Sanguíneo mediante Optimización de Topología Inversa

Planteamiento del Problema

La evaluación de las enfermedades cardiovasculares (ECV) depende en gran medida de descriptores hemodinámicos como el Esfuerzo de Cizalladura de la Pared (WSS) y la Reserva de Flujo Fraccional (FFR), los cuales se derivan de geometrías vasculares específicas de cada paciente. Los flujos de trabajo clínicos estándar utilizan Tomografía Computarizada con Contraste (CE-CT) para reconstruir estas geometrías. Sin embargo, los procesos convencionales —que típicamente involucran la Retroproyección Filtrada (FBP) o la reconstrucción iterativa seguida de una segmentación— presentan dificultades ante adquisiciones con resolución temporal caracterizadas por mediciones dispersas y ruidosas debido a las restricciones de dosis de radiación y los artefactos de movimiento fisiológico. Estas limitaciones provocan artefactos de submuestreo, lo que resulta en imprecisiones geométricas como la ausencia de ramas o estenosis artificiales.

Además, los métodos inversos existentes con restricciones físicas para la hemodinámica suelen asumir una geometría fija y pre-segmentada. Imponer la física del flujo sobre una geometría fija errónea produce campos de flujo válidos pero no representativos, fallando en capturar parámetros hemodinámicos críticos. Aunque algunos trabajos recientes han intentado reconstruir la geometría y el flujo de forma conjunta, a menudo dependen de imágenes de velocidad medidas (por ejemplo, de RM) en lugar de recuperar la geometría directamente a partir de datos de proyección de TC crudos (sinogramas). Existe una brecha en los marcos capaces de recuperar conjuntamente la topología vascular y los parámetros de flujo directamente desde sinogramas de CE-CT dispersos y ruidosos sin supuestos geométricos a priori.

Metodología

Los autores proponen VITO, un marco de reconstrucción con restricciones físicas que formula la recuperación de la geometría vascular como un problema de Optimización de Topología (TO) basado en densidad. En lugar de tratar la geometría como una entrada fija, el lumen vascular se trata como una variable de diseño desconocida.

Marco Central

El método resuelve un problema inverso donde el objetivo es encontrar una distribución fluido-sólida que, al someterse a las leyes físicas gobernantes, produzca datos de proyección simulados que coincidan con los sinogramas dispersos adquiridos.

1. Representación del Diseño:

   • El dominio computacional se discretiza en elementos de malla, cada uno asignado a una variable de pseudo-densidad $\gamma_e \in [0, 1]$.
   • $\gamma = 0$ representa fluido (lumen vascular) y $\gamma = 1$ representa sólido (tejido/paredes).
   • Las propiedades del material se interpolan utilizando el esquema de Aproximación Racional de Propiedades de Material (RAMP).
     • Penalización de Brinkman ($\alpha$): Una penalización elevada en las regiones sólidas suprime la velocidad del fluido, aplicando eficazmente condiciones de no desliz sin necesidad de un seguimiento explícito de los límites.
     • Difusividad ($D$): Limita el transporte del agente de contraste en las regiones sólidas para evitar la difusión artificial.

2. Física Gobernante (Modelo de Propagación):

   • Flujo Estacionario: Las ecuaciones de Navier-Stokes incompresibles se resuelven utilizando el término de penalización de Brinkman para modelar el campo de velocidad del fluido $\mathbf{u}$.
   • Transporte Transitorio: Una ecuación de advección-difusión transitoria modela el transporte de la concentración del agente de contraste $c$, impulsada por el campo de velocidad estacionario $\mathbf{u}$ y las condiciones de contorno de entrada variables en el tiempo.
   • Proyección Directa: El campo de concentración resultante en el tiempo se mapea al espacio de medición utilizando un operador de proyección de haz paralelo diferenciable basado en la ley de Beer-Lambert. Esto genera sinogramas predichos $\hat{g}$.

3. Bucle de Optimización:

   • Función Objetivo: El Error Cuadrático Medio (MSE) entre los sinogramas predichos y los datos de sinograma dispersos/ruidosos adquiridos ($g_{data}$).
   • Variables de Diseño: El campo de pseudo-densidad $\gamma$ (geometría) y los parámetros de escala de velocidad de entrada $a$ (condiciones de flujo).
   • Análisis de Sensibilidad: El marco utiliza el ecosistema JAX para implementar un flujo de trabajo diferenciable de extremo a extremo.
     • Teorema de la Función Implícita (IFT): Se utiliza para calcular las sensibilidades del resolvedor de Navier-Stokes en estado estacionario, evitando el costo de memoria de desplegar los pasos iterativos de Newton-Raphson.
     • Checkpointing: Se emplea para el resolvedor de advección-difusión transitoria para gestionar el uso de memoria durante la diferenciación automática (AD) de modo inverso a través de los pasos de tiempo.
   • Optimizador: Se utiliza el Método de las Asíntotas Móviles (MMA) para actualizar las variables de diseño. Se emplean estrategias de continuación (aumento gradual de la penalización y la nitidez de la proyección) para dirigir la solución hacia una topología binaria fluido-sólido y evitar mínimos locales.

Contribuciones Clave

• Reconstrucción Inversa Conjunta: El artículo introduce un marco unificado que recupera la topología vascular y los parámetros de flujo de entrada simultáneamente a partir de sinogramas de TC crudos, eliminando la necesidad de una geometría pre-segmentada.
• Regularización Impulsada por la Física: Al acoplar el problema inverso con las ecuaciones de Navier-Stokes estacionarias y de advección-difusión transitoria, el método regulariza la reconstrucción utilizando la física hemodinámica en lugar de solo descriptores de imagen.
• Flujo Multifísico Diferenciable: La implementación aprovecha la diferenciación automática (JAX) para manejar las complejas sensibilidades de los sistemas acoplados de fluido-transporte-proyección, incluyendo el uso de IFT y checkpointing para hacer que la optimización sea computacionalmente tratable.
• Robustez ante Limitaciones de Datos: El marco está diseñado explícitamente para manejar condiciones de adquisición de vista dispersa y ruidosa, típicas de la TC de baja dosis o de adquisición rápida en entornos clínicos.

Resultados Experimentales

El método fue validado en fántomas sintéticos que representan tres escenarios vasculares:

1. Arteria Bifurcada: Recuperó con éxito la topología de la bifurcación y las escalas de flujo de entrada a partir de sinogramas dispersos.
2. Arteria Estenótica: Reconstruyó con precisión un estrechamiento localizado del 50% en el lumen (estenosis) y los parámetros de flujo.
3. Bifurcación Carotídea Estenótica: Recuperó una geometría compleja que combina una bifurcación y una estenosis asimétrica.

Métricas de Desempeño:

• Precisión: Las geometrías reconstruidas alcanzaron altos Coeficientes de Similitud de Dice (DSC > 0.99) y bajos errores cuadráticos medios normalizados (nRMSE) en comparación con la verdad de campo (ground truth) en todos los parámetros de prueba.
• Robustez al Ruido y la Dispersión: En experimentos con datos ultra-dispersos (10 proyecciones) y niveles altos de ruido (25% de ruido Gaussiano relativo), el método propuesto mantuvo la consistencia topológica (DSC = 0.9830). En contraste, un enfoque de línea base de FBP con umbralización sufrió de distorsión de bordes, artefactos y pérdida de continuidad de las ramas bajo condiciones similares.
• Estimación de Flujo: El marco recuperó con éxito los parámetros de escala de flujo de entrada cercanos a la unidad (verdad de campo), demostrando su capacidad para inferir condiciones de contorno junto con la geometría.

Significación y Reclamaciones

El artículo sostiene que la integración de la hemodinámica subyacente en el proceso de reconstrucción proporciona una regularización geométrica robusta, permitiendo la recuperación de características vasculares complejas (bifurcaciones, estenosis) directamente desde datos de proyección clínica dispersos. Este enfoque aborda la limitación crítica de los flujos de trabajo actuales donde los errores geométricos se propagan hacia el análisis hemodinámico.

Los autores posicionan este trabajo como un paso significativo hacia el análisis vascular fiable a partir de datos clínicos dispersos. Expresan explícitamente que el presente estudio se limita a flujo estacionario en 2D y fronteras rígidas. Se identifica que el trabajo futuro es necesario para extender el marco al flujo transitorio en 3D, incorporar la interacción fluido-estructura (FSI) para paredes elásticas, tratar las ubicaciones de entrada/salida como incógnitas, cuantificar la incertidumbre y adaptar el operador de proyección a geometrías de escáner específicas (por ejemplo, TC de haz en abanico). El artículo no pretende una implementación clínica inmediata, sino establecer la base matemática y computacional para tales aplicaciones.