Fighting MRI Anisotropy: Learning Multiple Cardiac Shapes From a Single Implicit Neural Representation

1. Il Problema

L'analisi della forma cardiaca basata sulla Risonanza Magnetica Cardiovascolare (CMRI) è limitata dalla natura anisotropa delle immagini in asse corto (SAX). La bassa risoluzione nel piano trasversale e il movimento respiratorio durante l'acquisizione portano a segmentazioni che non rappresentano fedelmente le forme continue sottostanti. Sebbene esistano metodi per l'estrazione di mesh superficiali (es. Marching Cubes), questi risultano spesso spazialmente anisotropi e con slice disallineate, fornendo una rappresentazione incompleta dell'anatomia cardiaca reale.
Le soluzioni precedenti basate su super-risoluzione o correzione del movimento richiedono spesso segmentazioni CMRI ad alta risoluzione per l'addestramento, che sono difficili da ottenere in pratica clinica. Altri approcci che utilizzano priors di forma da Tomografia Computerizzata Angiografica (CTA) si sono limitati a rappresentare un'unica struttura anatomica alla volta.

2. Metodologia

Gli autori propongono un approccio innovativo che sfrutta i dati CTA ad alta risoluzione e quasi isotropi per addestrare una singola funzione neurale implicita (INR) in grado di rappresentare congiuntamente più strutture cardiache.

• Rappresentazione Implicita Multi-Shape: Il modello utilizza una funzione di distanza firmata (SDF - Signed Distance Function) parametrica tramite deep learning. Invece di apprendere una SDF separata per ogni struttura, una singola rete neurale (MLP) apprende simultaneamente le superfici per:
  • Il sangue del ventricolo sinistro (LVBP).
  • Il miocardio (MYO), che modella sia l'endocardio che l'epicardio.
  • Il ventricolo destro (RV).
• Vettore Latente Multi-Shape: La rete è condizionata da un vettore latente ($\vec{z}_P$) che codifica le caratteristiche anatomiche specifiche del paziente, permettendo di rappresentare forme diverse all'interno dello stesso spazio latente.
• Addestramento su CTA: Il modello viene addestrato su 153 scansioni CTA (Set 1). Vengono estratti nuvole di punti (on-surface e off-surface) dalle segmentazioni CTA. Le coordinate vengono normalizzate e allineate a un sistema di riferimento comune (basato sui centri di massa RV-LV-LA) per focalizzare l'apprendimento sulle caratteristiche di forma piuttosto che sull'orientamento.
• Funzione di Perdita Semplificata: Rispetto ai lavori precedenti (es. Sander et al.), la funzione di perdita è stata semplificata rimuovendo il termine tangente iperbolica, riducendo il tempo di addestramento e il carico computazionale. Viene utilizzata una perdita MSE con regolarizzazione L2 sul vettore latente.
• Inferenza su CMRI: Durante la fase di test, il modello viene applicato a dati CMRI (Set 2, SAX e 4 camere). Si estrae una nuvola di punti sparsa dalle segmentazioni CMRI a bassa risoluzione, si ottimizza il vettore latente $\vec{z}_P$ per adattarlo a questi dati, e si ricostruisce la forma ad alta risoluzione tramite il livello zero della SDF decodificata.

3. Contributi Chiave

1. Rappresentazione Congiunta Multi-Struttura: Per la prima volta, un singolo INR rappresenta simultaneamente LVBP, MYO e RV, catturando le dipendenze spaziali tra queste strutture (es. parete settale).
2. Efficienza dei Dati: Il metodo richiede tre volte meno dati CTA rispetto ai lavori precedenti (100 pazienti vs 341) mantenendo capacità di generalizzazione e flessibilità.
3. Semplificazione del Processo: La rimozione di termini complessi dalla funzione di perdita e l'uso di un'unica architettura accelerano significativamente l'addestramento (1h 40min vs 6h) e l'inferenza (circa 4 secondi per paziente).
4. Superamento dell'Anisotropia: Il metodo riesce a ricostruire forme lisce, complete e anatomicamente plausibili partendo da segmentazioni CMRI anisotrope e a bassa risoluzione, sfruttando il prior di forma appreso dalla CTA.

4. Risultati

Il modello è stato valutato sulla ricostruzione di slice a 4 camere (4CH) del ventricolo sinistro e destro, confrontando le forme ricostruite con le maschere di riferimento ad alta risoluzione.

• Metriche di Performance (Confronto SAX vs Metodo Proposto):
  • Ventricolo Destro (RV): Il metodo proposto ha ottenuto un Dice Similarity Coefficient (DSC) di 0.91 ± 0.07 (vs 0.81 per SAX) e una distanza di Hausdorff (HD) di 6.21 mm (vs 10.15 mm).
  • Miocardio (MYO): DSC di 0.75 ± 0.13 (vs 0.57 per SAX) e HD di 7.53 mm (vs 12.99 mm).
  • LVBP: DSC di 0.93 ± 0.05.
• Generalizzazione: Testando il modello su nuvole di punti simulate da CTA (isotrope vs anisotrope tipo SAX), i risultati mostrano che il modello ricostruisce forme comparabili e volumi end-diastolici accurati indipendentemente dalla densità e dall'anisotropia dei punti di input.
• Qualità Visiva: Le ricostruzioni mostrano una migliore allineamento lungo la parete settale e forme più lisce rispetto alle mesh estratte direttamente dalle immagini SAX, che spesso presentano disallineamenti tra slice.

5. Significatività e Conclusioni

Questo lavoro dimostra che è possibile superare le limitazioni fisiche dell'MRI cardiaco (bassa risoluzione nel piano trasversale) utilizzando l'apprendimento di priors di forma da modalità ad alta risoluzione (CTA) tramite reti neurali implicite.

• Impatto Clinico: La capacità di generare modelli 3D ad alta risoluzione e anatomicamente corretti da dati di routine (CMRI SAX) apre la strada a una migliore estrazione di biomarcatori morfologici e funzionali (es. frazione di eiezione, strain miocardico).
• Futuro: Sebbene il metodo funzioni bene, le regioni con copertura limitata (es. base e apice) rimangono una sfida. I futuri lavori mirano a integrare più viste long-assi (2-chamber, 3-chamber) per migliorare la copertura e l'accuratezza, nonché ad estendere il metodo all'intero ciclo cardiaco.

In sintesi, il paper presenta un metodo robusto ed efficiente che unisce l'alta risoluzione della CTA alla disponibilità clinica della CMRI, permettendo una ricostruzione 3D precisa delle strutture cardiache senza la necessità di segmentazioni ad alta risoluzione per l'addestramento.