Sintesi Tecnica: Apprendimento di Prior del Moto Cardiaco per Rappresentazioni Neurali Implicite

Definizione del Problema

Le Rappresentazioni Neurali Implicite (INR) offrono rappresentazioni continue e compatte dei campi di moto cardiaco, rendendole particolarmente adatte alla stima del moto. Tuttavia, l'adattamento di una INR a una specifica sequenza di immagini è un problema inverso mal posto che è computazionalmente costoso e altamente sensibile alla traiettoria di ottimizzazione. Sebbene siano stati proposti prior appresi per guidare l'ottimizzazione verso soluzioni fisiologicamente plausibili e accelerare l'adattamento, l'applicazione specifica di prior appresi alle INR del moto cardiaco rimane scarsamente esplorata. Gli approcci esistenti spesso si affidano a formulazioni di prior semplici o mancano di un'analisi sistematica dei relativi campi di moto e delle traiettorie di adattamento.

Metodologia

Gli autori propongono un framework per apprendere e confrontare quattro diverse strategie per la costruzione di prior del moto cardiaco per le INR. Il modello di moto centrale è un Campo di Velocità Neurale (NVF), una INR che mappa le coordinate spaziali e il tempo in vettori di velocità istantanea.

1. Rappresentazione del Moto e Obiettivo

• Campo di Velocità Neurale (NVF): Il moto cardiaco è rappresentato come un campo di velocità $v_\theta: \mathbb{R}^{d+1} \to \mathbb{R}^d$. Le traiettorie di moto lagrangiano sono ottenute integrando l'equazione differenziale ordinaria definita dall'NVF utilizzando un metodo Runge-Kutta del secondo ordine.
• Codifica Periodica: Per imporre la periodicità cardiaca, gli input temporali sono mappati in codifiche periodiche utilizzando funzioni seno e coseno.
• Funzione di Perdita: L'ottimizzazione minimizza una somma pesata di quattro termini:
  • Perdita di Similarità ($L_{sim}$): Correlazione Incrociata Normalizzata (NCC) tra l'attuale fotogramma e i fotogrammi adiacenti deformati in avanti e all'indietro.
  • Perdita di Smoothness ($L_{smooth}$): Penalizza i gradienti spaziali e temporali del campo di velocità.
  • Preservazione del Volume ($L_{volume}$): Incoraggia l'incomprimibilità penalizzando le deviazioni del determinante del gradiente di deformazione da 1.
  • Preservazione della Topologia ($L_{fold}$): Previene il ripiegamento penalizzando i determinanti negativi del gradiente di deformazione.

2. Formulazioni dei Prior

Lo studio confronta quattro strategie per inizializzare i parametri dell'NVF ($\theta$):

• Prior di Popolazione: Una singola INR è ottimizzata congiuntamente su tutte le istanze di addestramento per trovare una soluzione media globale ($\theta_P$).
• Prior di Consenso: Le INR sono ottimizzate indipendentamente per ogni caso di addestramento, e i parametri risultanti vengono mediati per formare un prior ($\theta_C$).
• Auto-decoder Prior: A ogni istanza di addestramento viene assegnato un codice latente unico $z_i$. Una rete decoder condivisa con parametri di modulazione $\kappa$ è ottimizzata congiuntamente con i codici latenti. Durante l'adattamento a un nuovo caso, il decoder è fissato e viene ottimizzato un nuovo codice latente.
• Meta-learned Prior: Utilizzando il Meta-SGD del secondo ordine, il metodo apprende un'inizializzazione ottimale $\theta_0$ e passi di adattamento per livello $\gamma$. L'obiettivo è minimizzare la perdita dopo un numero fisso di passi di adattamento dell'inner-loop.

3. Configurazione Sperimentale

• Dataset: Immagini di Risonanza Magnetica Cardiaca (CMR) con tagging nel piano asse corto provenienti dalla UK Biobank (500 slice di addestramento, 100 di validazione, 100 di test).
• Architettura: Tutti i prior inizializzano una rete SIREN (3 strati nascosti, 256 nodi).
• Valutazione: Le prestazioni sono misurate tracciando l'accuratezza (distanza euclidea media dei punti di riferimento), la sovrapposizione di segmentazione (Dice score) e la plausibilità meccanica (determinanti di Jacobiano e strain). L'adattamento è valutato su 5 passi (prestazioni precoci) e 50 passi (traiettoria a lungo termine).

Risultati Chiave

• Miglioramento Complessivo: Tutti i prior appresi hanno superato sostanzialmente l'inizializzazione casuale. L'errore di spostamento medio è stato ridotto da 3,45 mm (casuale) a un intervallo di 1,66–1,85 mm dopo cinque passi di adattamento.
• Meta-learning: Ha ottenuto l'errore di spostamento complessivo più basso (1,66 mm) e ha mantenuto la migliore traiettoria di adattamento su 50 iterazioni, continuando a migliorare ben oltre l'orizzonte di ottimizzazione di 5 passi utilizzato durante l'addestramento.
• Auto-decoder: Hanno dimostrato il recupero più rapido delle grandi deformazioni, raggiungendo l'errove di spostamento sistolico finale (ES) più basso (2,11 mm) e le maggiori magnitudo di strain vicino alla sistole fine. Tuttavia, le prestazioni si sono stabilizzate dopo circa 10 iterazioni.
• Consenso vs. Popolazione: Il semplice prior di consenso è stato efficace e ha continuato a migliorare su 50 iterazioni. Al contrario, il prior di popolazione, pur fornendo un punto di partenza forte, ha iniziato a deteriorarsi dopo 30–40 iterazioni, probabilmente convergendo verso una soluzione di compromesso che ostacola l'ulteriore adattamento.
• Dimensionalità Latente: Variare la dimensione latente negli auto-decoder (da 32 a 1024) ha avuto scarso effetto sulla traiettoria di adattamento, suggerendo che il plateau sia dovuto al meccanismo di modulazione piuttosto che alla capacità dello spazio latente.

Significato e Rivendicazioni

Il documento sostiene di fornire la prima valutazione sistematica delle strategie di apprendimento dei prior per la stima del moto cardiaco basata su INR. Gli autori affermano che:

1. Velocità e Traiettoria di Adattamento: La scelta del prior appreso determina sia la velocità dell'adattamento iniziale che la traiettoria di ottimizzazione a lungo termine.
2. Trade-off: Diversi prior offrono diversi compromessi; gli auto-decoder sono superiori per il rapido recupero di grandi deformazioni, mentre il meta-learning offre l'ottimizzazione a lungo termine più robusta.
3. Fattibilità: I prior appresi rendono più sostenibile l'ottimizzazione per caso delle INR, che è computazionalmente costosa, consentendo una convergenza più rapida e campi di moto fisiologicamente più plausibili.

Il lavoro conclude che, sebbene euristiche semplici come la media dei pesi (consenso) siano efficaci, approcci più strutturati come il meta-learning e gli auto-decoder forniscono vantaggi distinti a seconda dei requisiti specifici del compito di stima del moto (ad esempio, velocità di convergenza rispetto all'accuratezza a lungo termine).