R2AoP: Reliable and Robust Angle of Progression Estimation from Intrapartum Ultrasound

Enunciato del Problema

La stima accurata dell'Angolo di Progressione (AoP) dall'ecografia transperineale intrapartum è essenziale per la valutazione oggettiva del progresso del travaglio e per il processo decisionale clinico. Tuttavia, la stima automatizzata dell'AoP affronta sfide significative:

1. Degradazione dell'Immagine: Le immagini ecografiche soffrono di rumore granulare, basso contrasto, ombreggiatura acustica e confini sfocati, portando a variabilità nella visibilità della Sinfisi Pubica (PS) e della Testa Fetale (FH).
2. Amplificazione dell'Errore: L'AoP è una misura geometrica a cascata derivata dall'asse della PS e dalla tangente della FH. Anche errori di segmentazione minori a livello dei confini possono essere amplificati geometricamente, risultando in deviazioni angolari significative e ridotta stabilità della misurazione.
3. Spostamenti di Dominio: Il dispiegamento clinico comporta variazioni tra diversi dispositivi ecografici, parametri di acquisizione e operatori. I modelli addestrati su dati sorgente spesso degradano quando applicati a domini target con diverse intensità e texture delle immagini.

I metodi esistenti spesso danno priorità all'accuratezza della segmentazione o assumono condizioni di imaging coerenti, non riuscendo a soddisfare la specifica necessità di stabilità cross-condizionale e di soppressione dell'amplificazione dell'errore nei calcoli geometrici.

Metodologia: Framework R2AoP

Gli autori propongono R2AoP, un framework che integra segmentazione informata strutturalmente, modellazione geometrica guidata dalla confidenza e una strategia leggera di adattamento al momento del test.

1. Backbone a Tre Rami con Miglioramento della Struttura Locale

Per migliorare la delimitazione dei confini critici (PS e FH), gli autori sostituiscono i backbone standard con un'architettura di codifica condivisa a tre rami:

• Contesto Globale: Un ramo preserva il contesto globale.
• Attenzione Locale: Due rami aggiuntivi enfatizzano regioni locali complementari utilizzando un meccanismo di gating. Le mappe di gating spaziali sono previste su caratteristiche superficiali ad alta risoluzione e moltiplicate pixel per pixel con l'input per formare visualizzazioni complementari.
• Fusione: I tre flussi condividono un encoder per estrarre caratteristiche multi-scala, che vengono fuse a ogni scala e passate al decoder. Questa architettura è addestrata end-to-end per migliorare l'accuratezza e la stabilità della previsione dei confini.

2. Modellazione Geometrica Guidata dalla Confidenza

Invece di affidarsi esclusivamente a maschere di segmentazione binarie, il metodo utilizza mappe di confidenza a livello di pixel ($S$) previste dalla rete:

• Adattamento del Contorno Ponderato: I punti del confine sono ponderati in base alla loro confidenza spaziale. Viene eseguito un adattamento ellittico ponderato sul contorno della FH per derivare parametri geometrici (centro, assi, rotazione).
• Calcolo dell'AoP: L'AoP è calcolato in base alla relazione triangolare tra l'asse della PS e la tangente dell'ellisse della FH adattata.
• Metrica di Affidabilità ($C_{AoP}$): Viene definita una punteggio di confidenza dell'AoP come la confidenza spaziale media dei punti chiave del confine utilizzati nel calcolo geometrico. Questa metrica quantifica l'affidabilità della specifica misurazione.

3. Adattamento al Momento del Test (TTA) Geometricamente Affidabile

Per gestire gli spostamenti di dominio senza annotazioni target, gli autori introducono una strategia TTA leggera che aggiorna solo un piccolo sottoinsieme di parametri (parametri affini dei livelli di normalizzazione e livelli lineari) durante l'inferenza. L'obiettivo di ottimizzazione ($L_{tta}$) combina tre vincoli non supervisionati:

• Minimizzazione dell'Entropia ($L_{ent}$): Favorisce previsioni di segmentazione confidenti minimizzando l'entropia a livello di pixel, guidando le distribuzioni di probabilità da piatte a nette.
• Regolarizzazione della Liscezza Spaziale ($L_{tv}$): Utilizza la Variazione Totale (TV) per penalizzare le discrepanze di probabilità tra pixel adiacenti, prevenendo l'amplificazione del rumore locale e garantendo la coerenza spaziale.
• Vincolo di Affidabilità Geometrica ($L_{aop}$): Un termine innovativo che massimizza la confidenza dell'AoP ($C_{AoP}$) minimizzando $-\log(C_{AoP} + \epsilon)$. Questo vincola esplicitamente gli aggiornamenti della segmentazione per garantire che la misurazione geometrica risultante rimanga affidabile e stabile sotto spostamenti di dominio.

Contributi Chiave

1. Framework Integrato: Il primo framework a accoppiare esplicitamente la modellazione dell'affidabilità del confine con il calcolo geometrico dell'AoP per mitigare l'amplificazione dell'errore nelle pipeline a cascata.
2. Miglioramento Strutturale: Un backbone a tre rami con meccanismi di gating specificamente progettato per migliorare la rappresentazione di strutture sottili (PS) e discontinue (FH) nell'ecografia rumorosa.
3. Adattamento Consapevole della Geometria: Una strategia TTA innovativa che utilizza la confidenza dell'AoP come vincolo di affidabilità geometrica, consentendo un'inferenza stabile nei domini target senza annotazioni.
4. Efficienza Leggera: Il processo di adattamento è computazionalmente efficiente, aggiornando solo i parametri dei livelli di normalizzazione e lineari, rendendolo adatto al dispiegamento online.

Risultati Sperimentali

Il metodo è stato valutato su due benchmark di dominio target: JNU-IFM 23 e IUGC 24, utilizzando il dataset PSFHS come dominio sorgente.

• Prestazioni su JNU-IFM 23: R2AoP ha raggiunto un errore AoP di 6.21° (riducendo l'errore di 0.07° rispetto al secondo miglior metodo, AoP-SAM). Ha mostrato anche miglioramenti significativi nelle metriche di confine, con una Distanza Superficiale Simmetrica Media (ASD) di 3.12 mm per la PS e 2.00 mm per la FH.
• Prestazioni su IUGC 24: Il metodo ha dimostrato una forte generalizzazione, ottenendo i migliori risultati su tutte le metriche. L'errore AoP è stato ridotto a 4.22°, con un punteggio Dice complessivo di 0.95 e un ASD di 2.32 mm.
• Studi di Ablazione: La rimozione di qualsiasi componente (backbone a tre rami, vincolo geometrico, minimizzazione dell'entropia o smoothing TV) ha portato a un degrado delle prestazioni. In particolare, il vincolo di affidabilità geometrica ha avuto l'impatto più significativo sul dataset IUGC 24, confermando il suo ruolo nel stabilizzare le misurazioni sotto spostamenti di dominio severi.

Significato e Affermazioni

Il documento afferma che R2AoP stabilisce un paradigma consapevole della geometria per le misurazioni ostetriche automatizzate. Il suo significato principale risiede nell'affrontare l'"instabilità di lunga data" causata dall'amplificazione dell'errore nelle pipeline da segmentazione a misurazione.

Gli autori affermano che:

• L'imposizione dell'affidabilità geometrica è fondamentale per rendere le misurazioni automatizzate clinicamente utilizzabili, non solo per migliorare le metriche di segmentazione.
• La formulazione proposta è generalizzabile e può essere estesa ad altre misurazioni dipendenti dalla geometria nell'ecografia e oltre.
• Il framework fornisce una direzione principiale per il dispiegamento clinico robusto di sistemi di misurazione basati sull'apprendimento, in particolare in scenari che coinvolgono condizioni di acquisizione eterogenee e spostamenti di dominio.

Il codice sorgente è pubblicamente disponibile e il lavoro è stato sostenuto dalla Fondazione Nazionale per le Scienze Naturali della Cina e dall'Università di Tsinghua.