OpenPros: A Large-Scale Dataset for Limited View Prostate Ultrasound Computed Tomography

Sintesi Tecnica: OPENPROS

Problematica

Il tumore alla prostata rimane una delle principali cause di mortalità per cancro, rendendo necessaria la diagnosi precoce. Sebbene la risonanza magnetica multiparametrica (mpMRI) sia l'attuale standard di riferimento, il suo elevato costo e la limitata accessibilità ne ostacolano l'adozione diffusa. La tomografia computerizzata a ultrasuoni (USCT) offre un'alternativa più economica ricostruendo parametri tissutali quantitativi, come la velocità del suono (SOS), che fungono da biomarcatori di malignità. Tuttavia, la USCT prostatica affronta significative barriere cliniche e tecniche:

1. Acquisizione ad Angolo Limitato: I vincoli anatomici limitano il posizionamento dei trasduttori alle posizioni transrettale e transaddominale, creando dati sparsi e angolarmente limitati che rendono i metodi di inversione basati sulla fisica tradizionali mal posto, lenti nella convergenza e soggetti a gravi artefatti.
2. Complessità dei Tessuti: L'ambiente prostatico comporta un'elevata eterogeneità tissutale e la vicinanza a strutture ossee pelviche, invalidando le semplificate assunzioni di fluido utilizzate in altre modalità come l'imaging del seno.
3. Scarsità di Dati: Lo sviluppo di algoritmi di ricostruzione robusti e generalizzabili è gravemente ostacolato dalla mancanza di dataset su larga scala e anatomicamente precisi che simulino realistiche condizioni ad angolo limitato con dati a forma d'onda completa. I dataset esistenti sono o focalizzati sull'imaging del seno, mancano di realismo anatomico o non affrontano le specifiche sfide della regione pelvica maschile.

Metodologia

Il documento introduce OPENPROS, un dataset di benchmark su larga scala e un framework di simulazione progettato per colmare il divario tra la ricerca accademica e l'implementazione clinica per la USCT prostatica ad angolo limitato.

Costruzione del Dataset:

• Materiale di Origine: Il dataset deriva da 4 scansioni cliniche reali di MRI/CT e 62 campioni di prostata ex vivo. Le annotazioni degli esperti sono state eseguite su MRI pesata in T2 (organi), MRI pesata in T1 (grasso) e CT a raggi X (ossa).
• Misurazioni Fisiche: La velocità del suono (SOS) e l'attenuazione sono state misurate dai campioni ex vivo utilizzando uno scanner QT. Altri valori di SOS degli organi sono stati estratti dal database di tessuti ITIS.
• Generazione dei Phantom: Modelli digitali 3D della prostata sono stati costruiti integrando queste segmentazioni anatomiche e le distribuzioni di SOS misurate. Per simulare l'eterogeneità tissutale, sono state applicate distribuzioni gaussiane ai valori di SOS all'interno dei tipi di tessuto.
• Estrazione 2D: Sono stati generati 280.000 phantom 2D accoppiati di SOS e forme d'onda ultrasonore tramite la sezione dei modelli 3D sotto configurazioni di sonda clinicamente realistiche (una transrettale, una addominale) con rotazioni casuali (±45°) e perturbazioni.
• Simulazione: La propagazione delle onde è stata simulata utilizzando un solver Finite-Difference Time-Domain (FDTD) con quarto ordine spaziale e secondo ordine temporale e solver di onde acustiche Runge-Kutta. L'allestimento include 20 sorgenti e 322 ricevitori, catturando trasmissione e riflessione attraverso diversi percorsi acustici. La simulazione tiene conto delle condizioni al contorno assorbenti e utilizza un wavelet di Ricker a 1 MHz.

Framework di Benchmarking:
Gli autori hanno stabilito un compito di apprendimento supervisionato per approssimare la mappatura inversa dai campi di pressione ultrasonica ($p$) alle mappe di SOS ($c$). Hanno confrontato:

• Baseline basate sulla Fisica: Beamforming Delay-and-Sum e un metodo di inversione USCT multistadio e multifrequenza.
• Baseline di Deep Learning: Una InversionNet basata su CNN e una variante basata su Vision Transformer (ViT-Inversion) progettata per catturare dipendenze spaziali a lungo raggio.

Contributi Chiave

1. Dataset OPENPROS: Il primo benchmark su larga scala, pubblicamente disponibile, specifico per la USCT prostatica ad angolo limitato. Contiene oltre 280.000 campioni accoppiati di phantom 2D di SOS realistici e corrispondenti dati ultrasonori a forma d'onda completa, derivati da fonti cliniche ed ex vivo.
2. Strumenti di Simulazione Open-Source: Il rilascio di avanzati solver di onde acustiche FDTD e Runge-Kutta per garantire la riproducibilità e facilitare lo sviluppo di nuovi metodi di inversione.
3. Benchmarking Comprensivo: Una valutazione sistematica di metodi basati sulla fisica e di deep learning in condizioni realistiche ad angolo limitato, stabilendo baseline di prestazione per l'efficienza dell'inferenza, l'accuratezza della ricostruzione e la generalizzazione.

Risultati

Prestazioni In-Distribution (ID):

• Accuratezza: I metodi di deep learning hanno superato significativamente gli algoritmi tradizionali basati sulla fisica. ViT-Inversion ha ottenuto i risultati migliori con un RMSE di ~0,0205 e un SSIM di ~0,9967, rappresentando una riduzione dell'errore di 5–6 volte rispetto alla baseline basata sulla fisica (RMSE ~0,16).
• Efficienza: I metodi basati sui dati hanno dimostrato un'inferenza quasi istantanea (4,9 ms per InversionNet, 8,9 ms per ViT-Inversion) rispetto alle ore richieste dai metodi basati sulla fisica (4–24 ore per campione).
• Limitazioni Qualitative: Sebbene i modelli di deep learning abbiano recuperato le forme anatomiche globali e i confini in modo più chiaro rispetto ai metodi basati sulla fisica, non sono riusciti a risolvere le strutture interne fini e le piccole lesioni, producendo spesso ricostruzioni levigate.

Generalizzazione e Robustezza:

• Generalizzazione a Livello di Paziente: Quando testati su pazienti completamente nuovi (Out-of-Distribution), le prestazioni sono degradate significativamente (gli errori sono aumentati di 3–5 volte), evidenziando la difficoltà di generalizzare attraverso diverse anatomie.
• Generalizzazione Intra-Paziente: I modelli hanno funzionato bene quando testati su prostate non viste dello stesso paziente, suggerendo che la variabilità intra-paziente è meno impegnativa della variabilità inter-paziente.
• Robustezza al Rumore: ViT-Inversion ha dimostrato una resilienza superiore al rumore Gaussiano rispetto a InversionNet.

Significato e Rivendicazioni

Il documento posiziona OPENPROS come una risorsa critica per motivare i progressi nell'apprendimento informato dalla fisica (physics-informed learning), nei modelli di fondazione per l'imaging scientifico e nella ricostruzione consapevole dell'incertezza.

Gli autori affermano che, sebbene il deep learning offra una via per una rapida ricostruzione SOS clinicamente rilevante, gli attuali metodi non riescono ancora a fornire le ricostruzioni ad alta risoluzione e clinicamente accettabili richieste per l'impiego nel mondo reale. Il dataset è destinato a:

• Consentire confronti di metodo equi e rigorosi.
• Esporre le lacune critiche in termini di generalizzazione e robustezza che devono essere affrontate prima della traduzione clinica.
• Servire come benchmark di prototipazione rapida per la ricostruzione da forma d'onda a SOS, con l'aspettativa che gli approcci di successo saranno infine validati in modelli 3D e multiparametrici più complessi.

Il lavoro conclude che OPENPROS colma il divario tra la ricerca accademica di ML e le necessità cliniche, ma sottolinea che rimangono sfide significative nel risolvere i dettagli anatomici fini e nel raggiungere una robusta generalizzazione attraverso le variazioni anatomiche non viste.