An Open, Reproducible Gamma-Variate Pipeline for CT-Perfusion Time-Attenuation Curve Analysis, with Standardized (ASIST-Japan) Map Visualization

Resumen Técnico: Un Pipeline de Variate Gamma Abierto y Reproducible para la Perfusión por TC

Planteamiento del Problema
La perfusión por TC (CTP) es crítica para el accidente cerebrovascular agudo y la imagenología oncológica, pero su fiabilidad cuantitativa se ve comprometida por una falta de reproducibilidad entre el software comercial de los distintos proveedores. Datos de origen idénticos procesados por diferentes paquetes producen mapas y valores de perfusión significativamente distintos debido a las variaciones en los algoritmos de deconvolución, implementaciones y umbrales. Además, la visualización de estos mapas sufre de variabilidad entre centros causada por tablas de búsqueda (LUT) no estandarizadas, donde valores cuantitativos idénticos pueden aparecer visualmente distintos dependiendo de la escala de color utilizada. Esta opacidad de "caja negra" impide que clínicos e investigadores auditen o inspeccionen los pasos de procesamiento subyacentes.

Metodología
Los autores presentan ctp-core (v0.1.0), una biblioteca de código abierto en Python puro (>=3.9) diseñada para proporcionar un pipeline de análisis de CTP transparente y con parámetros expuestos. La metodología se centra en dos componentes principales:

1. Ajuste de Variate Gamma (GV) y Derivación de Índices Analíticos:

   • Modelo: Las curvas de tiempo-atenuación de primera pasada se modelan mediante la función de variate gamma $C(t) = K (t −t_0)^\alpha \exp(-\frac{t - t_0}{\beta})$, donde $t_0$ es el inicio, $\alpha$ es la forma, $\beta$ es la escala y $K$ es un coeficiente.
   • Ajuste: Las curvas se ajustan mediante mínimos cuadrados no lineales (algoritmo Trust Region Reflective) con límites motivados físicamente. La inicialización se basa en datos (por ejemplo, $t_0$ colocado antes del cruce del pico del 10%).
   • Derivación Analítica: En lugar de re-optimizar, los índices de perfusión se derivan analíticamente de los parámetros ajustados ($K, t_0, \alpha, \beta$):
     • Tiempo de Pico ($t_{peak}$): $t_0 + \alpha\beta$
     • Amplitud de Pico ($y_{peak}$): $K (\alpha\beta)^\alpha e^{-\alpha}$
     • Área Bajo la Curva (AUC): $K \beta^{\alpha+1} \Gamma(\alpha + 1)$
     • Tiempo de Llegada del Bolo (BAT): $t_0$
   • Robustez: El pipeline incluye una ruta de "ajuste libre" (fit-free) para casos donde el ajuste falla, devolviendo NaN en lugar de excepciones. Los fallos se marcan explícitamente con mensajes de error (por ejemplo, desajuste de forma, fallo del optimizador).

2. Visualización Estandarizada (ASIST-Japan a-LUT):

   • El pipeline implementa la tabla de búsqueda estandarizada ASIST-Japan (a-LUT), una tabla RGB de 256 niveles que mapea los valores a través de un espectro negro–azul–cian–verde–amarillo–rojo.
   • Los escalares se dimensionan linealmente a rangos de visualización estándar (por ejemplo, CBF 0–80 mL/100 g/min) y se indexan de forma determinante.
   • Crucialmente, el mapeo de color afecta únicamente a la visualización; los valores cuantitativos de los vóxeles subyacentes permanecen inalterados y se almacenan por separado.

3. Alcance e Implementación:

   • El núcleo abierto (ctp-core) es independiente, sin interfaz gráfica (GUI), entrada/salida DICOM ni manejo de datos de pacientes.
   • El mapeo paramétrico completo (CBF, CBV, MTT, Tmax) mediante deconvolución y detección de la Función de Entrada Arterial (AIF) está documentado e implementado, pero reside en una aplicación privada separada; las afirmaciones de reproducibilidad del núcleo abierto se limitan al ajuste de GV y la validación sintética.

Validación y Resultados
El pipeline fue validado exclusivamente con datos sintéticos de Monte Carlo con una verdad de campo (ground truth) conocida, evitando el uso de datos confidenciales o de pacientes.

• Configuración Experimental: Se realizaron 200 ejecuciones independientes en niveles de Relación Señal-Ruido (SNR) que oscilaron entre 5 y 100.
• Rendimiento:
  • En un SNR representativo de 20, el pipeline recuperó el tiempo de pico dentro de 0.13 s, la amplitud de pico dentro de 2.0% y el BAT dentro de 0.51 s (Error Absoluto Medio).
  • La calidad del ajuste alcanzó un $R^2$ de 0.98.
  • Los errores se degradaron de forma monótona con el ruido; con un SNR de 5, el error del tiempo de pico fue de ~0.52 s y el error de amplitud de ~8.1%.
  • El pico derivado del ajuste estuvo consistentemente más cerca de la verdad de campo que el máximo bruto (ruta de ajuste libre).
• Reproducibilidad: El código es determinante (semillas fijas) y la suite de pruebas (34 pruebas) confirma métricas de estabilidad de bits. El generador de datos sintéticos y los scripts de evaluación se liberan junto con el núcleo.

Contribuciones Clave

1. Transparencia: Un pipeline de código abierto y de parámetros transparentes donde cada parámetro, límite y paso de procesamiento está expuesto, contrastando con las soluciones comerciales de "caja negra".
2. Estandarización: La integración de la a-LUT de ASIST-Japan asegura que la visualización de los mapas paramétricos sea comparable entre centros sin alterar los valores cuantitativos.
3. Reproducibilidad: Todo el flujo de trabajo, incluyendo la generación de datos sintéticos y los benchmarks de validación, se libera bajo la licencia MIT, permitiendo la auditoría independiente y el reúso.
4. Validación: Demostración de la precisión de recuperación frente a la verdad de campo conocida a través de un amplio rango de SNR, con un manejo explícito de los fallos de ajuste.

Significado y Reivindicaciones
Los autores posicionan a ctp-core no como una herramienta clínica o de grado regulatorio, sino como una referencia de investigación y un benchmark reproducible. El artículo sostiene que, al proporcionar un motor de ajuste de variate gamma transparente combinado con una visualización estandarizada, aborda la crisis de reproducibilidad en el post-procesamiento de la CTP. Este trabajo permite a otros auditar los fundamentos matemáticos del análisis de perfusión, reutilizar el código para la verificación independiente y construir sobre una base conocida y validada. Los autores declaran explícitamente que no se reclama una validación clínica con datos reales de pacientes en este preprint, y que la validación externa en conjuntos de datos públicos (por ejemplo, ISLES) se planifica para trabajos futuros.