Equivariant symmetry-aware head pose estimation for fetal MRI

1. Il Problema: Stima della Posa Fetale in Tempo Reale

La diagnosi prenatale tramite risonanza magnetica (MRI) fetale richiede l'acquisizione di stack di slice 2D ad alta risoluzione in direzioni anatomiche specifiche (sagittale, coronale, assiale). Tuttavia, il movimento fetale durante la scansione causa:

• Slice oblique: Le sezioni non sono allineate correttamente con le direzioni anatomiche target.
• Gap di copertura spaziale: Movimenti tra una slice e l'altra possono creare buchi nell'acquisizione volumetrica, rendendo difficile la diagnosi di patologie.
• Sfide tecniche: I volumi di navigazione (navigator volumes) utilizzati per stimare il movimento sono a bassa risoluzione, basso rapporto segnale-rumore (SNR) e contengono artefatti da "spin history" (bande scure causate dalla slice precedente). Inoltre, l'anatomia fetale immatura e la bassa risoluzione creano una quasi-simmetria sinistra-destra, introducendo ambiguità nella stima della posa.

L'obiettivo è sviluppare un metodo di stima della posa 6-DoF (6 gradi di libertà: 3 traslazioni + 3 rotazioni) rapido e robusto, capace di adattare in tempo reale la prescrizione delle slice successive durante la scansione.

2. Metodologia: E(3)-Pose

Gli autori propongono E(3)-Pose, un framework innovativo che integra esplicitamente l'equivarianza (invarianza rispetto a trasformazioni geometriche) e la consapevolezza delle simmetrie dell'oggetto all'interno dell'architettura della rete neurale, piuttosto che imparare queste proprietà dai dati tramite augmentazione.

Componenti Chiave:

1. Stima della Traslazione:

   • Viene utilizzata una rete CNN standard (U-Net) per segmentare il cervello fetale.
   • La traslazione ($t$) è calcolata come il centro di massa (CoM) della maschera di segmentazione predetta.

2. Stima della Rotazione con E(3)-CNN:

   • Al posto di una CNN standard, viene utilizzata una E(3)-CNN (Convolutional Neural Network equivariante rispetto al gruppo Euclideo E(3), che include traslazioni, rotazioni e riflessioni).
   • Questo garantisce che se il volume di input viene ruotato o riflesso, l'output della rete (la stima della posa) subisca la stessa trasformazione in modo coerente.

3. Parametrizzazione della Simmetria (Pseudovettori):

   • Il cervello fetale presenta una simmetria approssimata sinistra-destra. Le reti standard spesso falliscono o producono risultati discontinui quando devono distinguere tra pose speculari.
   • E(3)-Pose parametrizza la rotazione usando tre vettori di base ortogonali: $\hat{e}_x$ (asse sinistra-destra), $\hat{e}_y$ (posteriore-anteriore), $\hat{e}_z$ (inferiore-superiore).
   • Innovazione: Il vettore $\hat{e}_x$ è modellato come un pseudovettore (vettore con parità pari), mentre $\hat{e}_y$ e $\hat{e}_z$ sono vettori standard (parità dispari).
   • Matematicamente, questo permette alla rete di essere invariante rispetto alla riflessione sinistra-destra (poiché un pseudovettore non cambia segno sotto riflessione rispetto a un vettore normale in questo contesto specifico di parametrizzazione) mantenendo al contempo la continuità sullo spazio delle rotazioni $SO(3)$.

4. Funzione di Perdita (Loss Function):

   • Viene utilizzata una perdita personalizzata che tiene conto della simmetria di inversione del pseudovettore $\hat{e}_x$. La perdita è definita come una combinazione di termini basati sul seno degli angoli tra i vettori predetti e quelli ground-truth, garantendo che la predizione sia robusta anche quando la direzione esatta dell'asse di simmetria è ambigua.

5. Addestramento e Augmentation:

   • Il modello viene addestrato su dati di ricerca di alta qualità (Research-Fetal, dHCP).
   • Per generalizzare ai dati clinici, vengono simulati durante l'addestramento gli artefatti da "spin history" e la bassa risoluzione tipiche dei volumi di navigazione reali.

3. Contributi Chiave

• Architettura E(3)-Equivariante: Prima applicazione di reti E(3)-equivarianti per la stima della posa fetale, che vincola lo spazio delle ipotesi alle simmetrie fisiche del problema, riducendo il rischio di overfitting e migliorando la generalizzazione.
• Gestione Esplicita della Simmetria: Uso di pseudovettori nella parametrizzazione della rotazione per risolvere le ambiguità sinistra-destra intrinseche nei dati fetali a bassa risoluzione, senza ricorrere a euristiche post-hoc.
• Generalizzazione Cross-Domain: Il metodo dimostra una capacità superiore di trasferire le conoscenze da dati di ricerca ad alta qualità a dati clinici rumorosi e con artefatti, un problema critico per l'implementazione reale.
• Sistema di Prescrizione Adattiva: Integrazione del metodo in un ciclo di feedback per l'acquisizione MRI, permettendo di correggere il piano di imaging per ogni singola slice in tempo reale.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su dataset pubblici (dHCP) e dataset clinici raccolti presso il Boston Children's Hospital (Clinical-Young e Navigators).

• Accuratezza: E(3)-Pose ha raggiunto lo stato dell'arte (SOTA) su tutti i dataset, superando significativamente i metodi basati su registrazione a template (FireANTs, EquiTrack) e le regressioni di posa standard (3DPose-Net, 6DRep, RbR).
  • Su Navigators (il dataset più difficile con artefatti reali), E(3)-Pose ha mantenuto un errore di rotazione medio di ~9.4°, mentre i baselines hanno fallito con errori superiori a 20-40° o hanno prodotto stime instabili.
• Robustezza:
  • Ablation Study: Rimuovere l'equivarianza rotazionale o la parametrizzazione con pseudovettori ha causato un crollo delle prestazioni sui dati clinici, confermando che queste componenti sono essenziali per la generalizzazione.
  • Simulazioni: In simulazioni di movimento fetale, l'uso di E(3)-Pose per la prescrizione adattiva ha ridotto drasticamente i gap di copertura e l'obliquità delle slice rispetto a una strategia "motion-blind" (che usa solo la posa iniziale).
• Efficienza: Il tempo di inferenza è di circa 0.3 secondi, rendendo il metodo adatto per l'uso in tempo reale durante la scansione MRI (il limite è <1s).

5. Significato e Impatto Clinico

Questo lavoro rappresenta un passo fondamentale verso l'automazione e il miglioramento della qualità delle MRI fetali:

1. Diagnosi Migliore: Garantendo slice anatomiche corrette e una copertura completa del cervello, si riduce la necessità di ripetere le scansioni e si migliora la rilevazione di anomalie (es. agenesia del corpo calloso).
2. Robustezza ai Dati Reali: A differenza di molti metodi di deep learning che falliscono quando i dati di test differiscono dai dati di addestramento (domain shift), E(3)-Pose dimostra che incorporare le leggi fisiche (simmetrie ed equivarianza) nell'architettura della rete è la chiave per la robustezza in ambienti clinici rumorosi.
3. Traduzione Clinica: Il metodo è stato già implementato su un sistema MRI Siemens 3T con un server GPU, dimostrando la fattibilità tecnica dell'adattamento in tempo reale delle slice durante la scansione su pazienti reali.

In sintesi, E(3)-Pose non è solo un algoritmo di regressione più accurato, ma un approccio fondamentalmente diverso che sfrutta la struttura geometrica del problema per superare le limitazioni dei dati medici di bassa qualità, aprendo la strada a protocolli di imaging fetale più affidabili e automatizzati.