A Unified Model for Highly Accurate ECG-Free Dynamic Coronary Roadmapping Using Spatio-Temporal Transformers

Resumen Técnico: Un Modelo Unificado para el Mapeo de Rutas Coronarias Dinámico Altamente Preciso y Libre de ECG mediante Transformers Espacio-Temporales

Planteamiento del Problema

La Intervención Coronaria Percutánea (ICP) depende de inyecciones repetidas de agentes de contraste basados en yodo para visualizar las arterias coronarias y guiar los dispositivos intervencionistas. Esta práctica aumenta la exposición a la radiación y el riesgo de nefropatía inducida por contraste, particularmente en pacientes con insuficiencia renal. El Mapeo de Rutas Coronarias Dinámico (DRM, por sus siglas en inglés) ofrece una solución al superponer un mapa de vasos angiográficos precomputado sobre la fluoroscopia en vivo, reduciendo la necesidad de inyecciones repetidas de contraste.

Sin embargo, un DRM preciso requiere un ajuste de fase cardíaca exacto entre la secuencia de angiografía y la fluoroscopia en vivo, así como un seguimiento de la punta del catéter fiable para la compensación del movimiento. Los métodos existentes enfrentan limitaciones significativas:

• Dependencia del ECG: Muchos enfoques dependen de señales de ECG para el alineamiento de fase, las cuales no siempre están disponibles o son fiables en entornos clínicos.
• Carga de Anotación: Los métodos de aprendizaje profundo basados en imágenes a menudo requieren anotaciones manuales densas y extensas (por ejemplo, máscaras de catéter) para aprender pistas de movimiento, lo cual es laborioso y costoso.
• Complejidad Modular: Trabajos previos suelen abordar el ajuste de fase y el seguimiento del catéter utilizando modelos separados, lo que aumenta la complejidad computacional y dificulta el rendimiento en tiempo real.
• Desajuste de Dominio: Los modelos preentrenados en imágenes naturales suelen fallar al capturar las sutiles dinámicas inter-fotograma específicas del movimiento cardíaco en la imagen de rayos X.

Metodología

Los autores proponen un marco de trabajo de DRM unificado que realiza simultáneamente el ajuste de fase cardíaca y el seguimiento de la punta del catéter sin requerir señales de ECG durante la inferencia. El enfoque se estructura en tres etapas principales:

1. Preentrenamiento Espacio-Temporal:

   • Un codificador transformer espacio-temporal a gran escala se preentrena en 16 millones de fotogramas de conjuntos de datos de angiografía y fluoroscopia no etiquetados.
   • Este preentrenamiento permite al modelo aprender dinámicas de movimiento cardíaco finas y representaciones de características robustas específicas del dominio médico, abordando las limitaciones de los modelos entrenados en imágenes naturales.

2. Pipeline de Entrenamiento Unificado:

   • Arquitectura: El modelo utiliza un codificador espacio-temporal compartido para extraer características tanto de las secuencias de angiografía como de fluoroscopia. Estas características son procesadas por una CNN ligera para producir embeddings a nivel de fotograma, que luego se combinan con codificaciones posicionales aprendibles y se pasan a través de capas de atención de múltiples cabezales (MHA).
   • Tareas Auxiliares: Para estabilizar el entrenamiento y eliminar la necesidad de extensas anotaciones de máscaras de catéter, el modelo emplea dos tareas auxiliares:
     • Detección de R-pico de ECG: Una tarea de clasificación binaria que predice los picos R para proporcionar una pista temporal dispersa pero fuerte para la fase cardíaca.
     • Seguimiento de la Punta del Catéter: Una tarea de regresión de mapas de calor. Dado que las anotaciones completas son escasas, los autores utilizan un modelo HiFT (Historical Feature Guided Tracker) preentrenado para generar pseudo-etiquetas para los fotogramas no anotados.
   • Función de Pérdida: La pérdida total es una suma ponderada de la pérdida de detección de R-pico (entropía cruzada binaria ponderada adaptativamente), la pérdida de ajuste de fase cardíaca (pérdida de triplet/triplet loss) y la pérdida de seguimiento de la punta del catéter (pérdida Dice).

3. Estrategia de Inferencia:

   • Fase Offline: Un modelo de detección de contraste identifica un ciclo cardíaco en la secuencia de angiografía. Se utiliza una ventana temporal de 10 fotogramas para precomputar y almacenar los embeddings de la angiografía y los mapas de rutas de los vasos.
   • Fase Online: Una ventana deslizante de 10 fotogramas de fluoroscopia se procesa en tiempo real. El modelo computa los embeddings para el fotograma actual en vivo y los empareja con todos los embeddings de la angiografía almacenados mediante similitud de coseno.
   • Votación por Mayoría: Para mejorar la robustez, una estrategia de post-procesamiento de votación por mayoría agrega las predicciones de la ventana temporal. Esto genera un puntaje de confianza basado en la frecuencia de votación, el cual se correlaciona con el error de ajuste de fase.

Contribuciones Clave

• Primer Preentrenamiento Espacio-Temporal para DRM: Este trabajo introduce el primer uso de un codificador espacio-temporal preentrenado en 16 millones de fotogramas médicos para la compensación del movimiento cardíaco en DRM, logrando un rendimiento de ajuste de fase superior comparado con métodos existentes.
• Marco Unificado Eficiente en Anotación: Al integrar la detección de R-pico de ECG y el seguimiento de la punta del catéter (usando pseudo-etiquetas) como tareas auxiliares, el modelo logra una convergencia estable sin requerir extensas anotaciones manuales de máscaras de catéter.
• Arquitectura Unificada en Tiempo Real: El diseño realiza conjuntamente el ajuste de fase y el seguimiento del catéter en un solo modelo, reduciendo significamente la latencia de inferencia en comparación con los enfoques secuenciales de dos etapas.
  el modelo proporciona un puntaje de confianza que se correlaciona inversamente con el error de ajuste de fase, ofreciendo un mecanismo práctico para la estimación de la incertidencia en entornos clínicos.

Resultados

Evaluaciones exhaustivas en conjuntos de datos de rayos X clínicos demuestran lo siguiente:

• Precisión del Ajuste de Fase: El método propuesto alcanza un rendimiento de vanguardia con un error de distancia media de 56.31 ms (4.38% del ciclo cardíaco) y una desviación estándar de 0.66 fotogramas. Esto supera a los baselines que utilizan CNNs preentrenadas en ImageNet, DINOv2 y enfoques previos de pérdida de triplet (AIT).
• Robustez: El modelo mantiene un error de distancia por debajo de un fotograma en aproximadamente el 82% de los casos de prueba. El puntaje de confianza predice eficazmente la magnitud del error; las predicciones con altos puntajes de confianza (>0.8) exhiben errores medianos cercanos a cero.
• Seguimiento del Catéter: Bajo inicialización automática, el modelo unificado logra un error de seguimiento medio de 1.58 mm, lo cual es estadísticamente comparable al baseline de HiFT (1.45 mm) que requiere inicialización manual, a pesar de que el modelo unificado depende de pseudo-etiquetas.
• Eficiencia: La formulación unificada de una sola etapa mejora significativamente el rendimiento, operando hasta a 84 fps para backbones basados en CNN, en comparación con los ~20 fps en pipelines secuenciales de dos etapas.

Significado y Reivindicaciones

El artículo afirma que este trabajo representa un paso significativo hacia un mapeo de rutas coronarias dinámico práctico, en tiempo real y totalmente automatizado. Al aprovechar el preentrenamiento espacio-temporal a gran escala y tareas auxiliares cuidadosamente diseñadas, el marco logra reducir la dependencia de datos extensamente etiquetados y señales de ECG externas.

Los autores enfatizan que su enfoque:

1. Se generaliza mejor a través de diversas condiciones de imagen y patrones de movimiento cardíaco en comparación con los modelos preentrenados en imágenes naturales.
2. Permite el despliegue clínico al proporcionar un puntaje de confianza que permite a los operadores evaluar la fiabilidad de la salida del sistema.
3. Equilibra la precisión y la eficiencia, ofreciendo una solución unificada que es tanto computacionalmente eficiente como altamente precisa, lo que la hace adecuada para la integración en flujos de trabajo intervencionistas en vivo.

El artículo concluye modestamente, reconociendo que, si bien el error promedio es bajo, persisten valores atípicos en casos desafiantes (por ejemplo, ángulos de visión extremos o recorte parcial de vasos). El trabajo futuro podría requerir estrategias de robustez adicionales, como tareas auxiliares más avanzadas (por ejemplo, detección de guías) o una optimización multitarea más avanzada, para cerrar la brecha restante hacia un despliegue clínico totalmente fiable.