Dense Optical Flow and U-Net Segmentation for Automated Circumferential Strain Mapping in Abdominal Aortic Aneurysms

Resumen Técnico: Flujo Óptico Denso y Segmentación U-Net para el Mapeo Automatizado de la Deformación Circunferencial en Aneurismas de la Aorta Abdominal

Planteamiento del Problema
La rotura de un Aneurisma de la Aorta Abdominal (AAA) conlleva una alta tasa de mortalidad; sin embargo, la toma de decisiones clínicas actuales se basa en el diámetro máximo (55 mm), lo cual carece de sensibilidad para predecir la rotura en aneurismas más pequeños. Los índices biomecánicos, específicamente la deformación (strain) de la pared circunferencial, ofrecen un valor predictivo superior. No obstante, la derivación de estos índices a partir de ecografías (US) de modo B en 2D se ve obstaculizada por dos cuellos de botella críticos:

1. Segmentación Manual: Los flujos de trabajo actuales requieren que operadores capacitados delineen manualmente el límite del lumen del AAA (5–15 minutos por secuencia), lo que impide la escalabilidad y la aplicación en tiempo real.
2. Limitaciones del Seguimiento Disperso (Sparse Tracking): Los métodos de seguimiento de movimiento dominantes, como el algoritmo Sparse Demons (SD), dependen de puntos de características seleccionados basados en gradientes de imagen. Este enfoque falla en las regiones de las paredes laterales debido a la baja ecogenicidad (causada por la geometría de reflexión especular), lo que resulta en una mala selección de puntos y degrada la precisión de la deformación precisamente donde la heterogeneidad es más relevante clínicamente.

Metodología
Los autores proponen un flujo de trabajo completamente automatizado de extremo a extremo que opera exclusivamente con herramientas y datos de código abierto. El flujo de trabajo consta de cinco etapas secuenciales:

1. Segmentación Automatizada (U-Net):

   • Arquitectura: Una U-Net estándar con cuatro niveles de codificador/decodificador, normalización por lotes (batch normalization) y conexiones de salto (skip connections).
   • Estrategia de Entrenamiento: El modelo se preentrena en el conjunto de datos público de ecocardiografía CAMUS (500 secuencias de pacientes) para aprender la textura de la mota (speckle) de la ecografía y la geometría de los bordes. Posteriormente, se ajusta (fine-tuning) utilizando secuencias de ecografía de AAA simuladas generadas mediante la caja de herramientas MUST de Matlab.
   • Datos: El conjunto de datos simulado incluye 80 bucles de cine con campos de desplazamiento de verdad fundamental (ground-truth) derivados de simulaciones de Método de Elementos Finitos (FEM) específicas de cada paciente.
   • Función de Pérdida: Una combinación de Entropía Cruzada Binaria (BCE) y pérdida de Dice suave (Soft Dice loss) para abordar el desequilibrio de clases y optimizar la superposición.

2. Seguimiento de Flujo Óptico Denso:

   • Algoritmo: El flujo de trabajo reemplaza el seguimiento disperso por un flujo óptico denso de tipo bilateral TV-L1 (implementado mediante DualTVL1OpticalFlow de OpenCV).
   • Mecanismo: Este método variacional calcula un vector de desplazamiento para cada píxel, minimizando la fidelidad de los datos (norma L1) y la regularización de Variación Total (TV). Esto asegura campos de flujo suave por partes, robustos ante valores atípicos de motas (speckle) y ruido del pool sanguíneo.
   • Máscara: La salida de la U-Net define una Región de Interés (ROI) anular de 6 mm alrededor de la pared interna, restringiendo el cálculo de la deformación al vaso y excluyendo el movimiento de la sangre.

3. Cálculo de la Deformación (Strain):

   • Los campos de desplazamiento se muestrean en una rejilla regular dentro de la ROI.
   • La deformación circunferencial se calcula utilizando interpolación de Funciones de Base Radial (RBF) (splines de placa delgada) para derivar los componentes del tensor de deformación de Green, evitando la necesidad de una malla regular.
   • Las fases del ciclo cardíaco (diástole final y sístole máxima) se detectan automáticamente identificando los extremos en la curva de diámetro anteroposterior derivada de las máscaras de segmentación.

Contribuciones Clave

1. Primer Flujo de Trabajo Completamente Automatizado: Según los autores, este es el primer sistema de extremo a extremo para el mapeo de la deformación de la pared de AAA que elimina por completo la intervención manual.
2. Transferencia de Aprendizaje desde la Ecocardiografía: Demuestra que una U-Net preentrenada con datos cardíacos (CAMUS) puede segmentar eficazmente las paredes de AAA cuando se aumenta con fotogramas de AAA simulados, logrando altos coeficientes Dice sin requerir grandes conjuntos de datos anotados de AAA.
3. Seguimiento Denso vs. Disperso: Reemplaza el sesgo de selección de puntos de Sparse Demons con un flujo óptico denso, abordando específicamente la degradación del seguimiento en las regiones de las paredes laterales de baja ecogenicidad.
4. Ciencia Abierta: Todo el código, los pesos preentrenados y los scripts de generación de datos sintéticos se publican de forma abierta para garantizar la reproducibilidad.

Resultados
Evaluado en secuencias simuladas no utilizadas en el entrenamiento, el flujo de trabajo propuesto demostró mejoras significativas respecto a las líneas base (Manual + Sparse Demons):

• Segmentación: La U-Net alcanzó un coeficiente Dice medio de 0.908 ± 0.021 y una Intersección sobre la Unión (IoU) de 0.849 ± 0.028, superando significativamente a los contornos activos (Dice 0.741) y a la nnU-Net preentrenada con CT (Dice 0.837).
• Precisión del Seguimiento: El Flujo Óptico Denso redujo el Error Cuadrático Medio (RMSE) de seguimiento a 0.087 ± 0.031 mm, una reducción del 39% en comparación con la línea base de Sparse Demons (0.142 mm). Esta mejora fue más pronunciada en las regiones de las paredes laterales.
• Precisión de la Deformación: El Error Absoluto Medio (MAE) para la deformación circunferencial disminuyó del 1.81% (línea base) al 0.93%.
• Eficiencia Computacional: El flujo de trabajo automatizado completo redujo el tiempo de procesamiento por fotograma de 180 ms (manual + SD) a **68 ms**, permitiendo una operación casi en tiempo real (equivalente a una latencia de 15–25 fps) en una sola GPU NVIDIA A100.

Significado y Reivindicaciones
El artículo sostiene que este flujo de trabajo aborda las dos barreras principales para la traslación clínica de la biomecánica de la aorta abdominal basada en ecografía: la dependencia del operador y el fallo de seguimiento en regiones de baja ecogenicidad. Al lograr una precisión de seguimiento submilimétrica y un rendimiento casi en tiempo real utilizando únicamente recursos de código abierto, el método facilita la investigación reproducible y sienta las bases para la validación clínica prospectiva. Los autores señalan que, si bien el error de deformación del 0.93% es clínicamente significativo (reduciendo el error relativo a <10%), la evaluación actual se limita a datos sintéticos, y el trabajo futuro debe validar el sistema en cohortes clínicas prospectivas, abordando particularmente el movimiento fuera del plano en 3D y el trombo intraluminal (ILT).