Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation

1. Il Problema

I modelli computazionali ad alta fedeltà della meccanica cardiaca offrono approfondimenti meccanicistici fondamentali, ma sono computazionalmente proibitivi per l'uso clinico di routine. Sebbene i modelli surrogati (surrogate models) possano accelerare le simulazioni, la loro generalizzazione su anatomie diverse è estremamente difficile, specialmente in regimi a scarsità di dati (data-scarce regimes), tipici delle applicazioni biomediche dove l'acquisizione di nuovi dati ad alta fedeltà è costosa e limitata.
Le sfide principali includono:

• La variabilità geometrica: i modelli addestrati su una singola geometria non generalizzano su coorti con forme diverse.
• La mancanza di corrispondenza punto-punto tra anatomie diverse, che rende difficile l'addestramento di un unico modello su una coorte eterogenea.
• La necessità di tecniche di riduzione dell'ordine (ROM) che gestiscano efficacemente le non linearità e la complessità geometrica senza richiedere mesh computazionali pesanti.

2. Metodologia

Gli autori propongono un framework a due fasi che disaccoppia la rappresentazione geometrica dall'apprendimento della risposta fisica. Questo approccio permette di costruire modelli surrogati informati dalla forma (shape-informed) anche con pochi dati reali.

Fase 1: Modellazione della Forma (Shape Modeling)

L'obiettivo è apprendere una rappresentazione latente compatta delle geometrie del ventricolo sinistro (LV) e generare nuove geometrie sintetiche per l'aumento dei dati (data augmentation). Vengono confrontate due strategie alternative:

1. PCA-SM (Principal Component Analysis-based Shape Model):
   • Utilizza le Coordinate Ventricolari Universali (UVC) per stabilire una corrispondenza punto-punto tra le diverse anatomie.
   • Applica l'analisi delle componenti principali (PCA) sulle deformazioni della forma.
   • Adatto a rappresentazioni di nuvole di punti (point clouds).
2. SDF-SM (Signed Distance Function-based Shape Model):
   • Basato su un'architettura DeepSDF (Autodecoder).
   • Apprende una rappresentazione implicita di ogni geometria approssimando la sua funzione di distanza signed (SDF).
   • Non richiede corrispondenza punto-punto esplicita; opera direttamente su nuvole di punti.
   • Incorpora una regolarizzazione Lipschitziana per garantire la regolarità dello spazio latente e la stabilità dell'interpolazione.
   • Generazione: Lo spazio latente appreso viene campionato per generare nuove geometrie sintetiche realistiche, utilizzabili per aumentare il dataset di addestramento.

Fase 2: Modello Surrogato Fisico (Physics Surrogate)

Un modello neurale (NN_phys) viene addestrato per prevedere il campo di spostamento ventricolare sotto carico diastolico.

• Architettura: Si basa su USM-Nets (Universal Solution Manifold Networks), che sono campi neurali condizionati.
• Input: Il modello riceve coordinate cartesiane, coordinate UVC (per la codifica posizionale specifica del dominio) e il codice geometrico (shape code) appreso nella Fase 1 (sia PCA che SDF).
• Funzione di perdita: Include l'errore quadratico medio sugli spostamenti e, opzionalmente, un termine di regolarizzazione basato sulle deformazioni (strain) calcolate dal campo di spostamento.

3. Contributi Chiave

• Disaccoppiamento Geometria-Fisica: Separare la modellazione della forma dall'apprendimento della fisica permette di utilizzare modelli generativi per compensare la scarsità di dati reali.
• Strategie di Codifica Geometrica: Confronto sistematico tra un approccio statistico lineare (PCA) e un approccio neurale implicito non lineare (DeepSDF) per la codifica della variabilità anatomica.
• Aumento dei Dati Generativo: Dimostrazione che l'uso di geometrie sintetiche generate dal modello di forma (SDF-SM) migliora significativamente la generalizzazione del modello fisico, riducendo l'overfitting quando si lavora solo con pochi dati reali.
• Robustezza al Rumore: Il framework SDF-SM, grazie alla sua formulazione probabilistica, dimostra una maggiore robustezza rispetto a rumore e campionamento sparso rispetto alla PCA.

4. Risultati

I risultati sono stati validati su due dataset: un dataset ideale (512 ellissoidi) e un dataset reale (44 pazienti: 24 con insufficienza cardiaca e 20 sani).

• Ricostruzione Geometrica:
  • Entrambi i modelli (PCA e SDF) raggiungono errori di ricostruzione bassi (< 1 mm di Chamfer Distance).
  • SDF-SM è più robusto in scenari con alto rumore o basso numero di punti di campionamento, grazie alla regolarizzazione probabilistica dello spazio latente.
  • PCA-SM performa leggermente meglio in scenari a basso rumore e alta densità di punti, ma richiede una corrispondenza punto-punto (tramite UVC) che può essere limitante.
• Performance del Modello Surrogato:
  • L'uso di codici geometrici (sia PCA che SDF) riduce drasticamente l'errore RMSE rispetto all'uso di sole coordinate cartesiane e UVC (riduzioni fino al ~77% sul set di test ideale).
  • Data Augmentation: L'addestramento su un dataset aumentato (44 reali + 976 sintetici) porta a una generalizzazione superiore rispetto all'addestramento solo sui 44 reali. Senza aumento dei dati, il modello mostra un grave overfitting (errore di validazione/test molto alto).
  • Con l'aumento dei dati, l'errore di generalizzazione su pazienti non visti scende dal 6.7% al 2.4% (per SDF-SM).
  • L'aggiunta della perdita basata sulle deformazioni (strain) migliora l'accuratezza di circa il 9.5%, ma aumenta il costo computazionale di un fattore 5.
• Confronto PCA vs SDF:
  • Nel setting ideale, DeepSDF ottiene errori leggermente inferiori.
  • Su geometrie reali, PCA performa leggermente meglio (1.82% vs 2.39% di errore), ma le prestazioni complessive sono comparabili. SDF offre maggiore flessibilità in assenza di mesh strutturati.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo verso l'uso clinico dei modelli cardiaci computazionali.

• Superamento della scarsità di dati: Dimostra che è possibile costruire modelli surrogati robusti e generalizzabili senza bisogno di raccogliere migliaia di nuovi dati di pazienti, sfruttando invece la capacità generativa dei modelli di forma.
• Flessibilità: L'approccio basato su DeepSDF elimina la necessità di mesh strutturati o corrispondenze punto-punto, rendendo la metodologia applicabile a dati clinici grezzi (es. nuvole di punti da imaging).
• Efficienza: I modelli surrogati risultanti possono essere valutati a una frazione del costo computazionale rispetto ai solver FEM tradizionali, abilitando potenzialmente simulazioni in tempo reale o quasi-reale per la pianificazione terapeutica.

In sintesi, il paper propone una pipeline robusta che combina apprendimento profondo per la geometria e reti neurali condizionate per la fisica, risolvendo efficacemente il problema della variabilità anatomica in contesti biomedici con dati limitati.