FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

Sintesi Tecnica: FlowPET: Flow Matching Simpletico Informato dalla Fisica per la Ricostruzione PET a Basso Conteggio

Problematica
La ricostruzione della Tomografia Positronica Emissione (PET) a basso conteggio affronta una sfida critica: il recupero fedele di segnali di lesioni deboli, ma diagnosticamente vitali, in presenza di alti livelli di rumore. Gli attuali paradigmi di deep learning soffrono di un limite geometrico fondamentale. Gli approoli deterministici (ad es., reti CNN basate sulla regressione) soffrono di "regressione verso la media", ovvero l'eccessiva levigatura delle texture ad alta frequenza e la soppressione di lesioni sottili. Al contrario, i modelli generativi stocastici (ad es., Modelli di Diffusione, SDE) si affidano a dinamiche dissipative. Questi modelli inducono una divergenza strettamente negativa ($\nabla \cdot v < 0$) nello spazio delle fasi, causando una contrazione continua del volume. Nei regimi a basso conteggio, questa contrazione è indiscriminata; non riesce a distinguere tra rumore stocastico e caratteristiche patologiche sparse, portando all'estinzione numerica o al "lavaggio" (wash-out) dei deboli segnali lesionali prima che possano formarsi strutture coerenti.

Metodologia
Gli autori propongono FlowPET, un framework informato dalla fisica che riformula la ricostruzione PET come un problema di trasporto a volume preservato all'interno di uno Spazio delle Fasi Simpletico.

1. Sollevamento dello Spazio delle Fasi Simpletico:
   Invece di operare sul normale manifold dell'immagine, FlowPET solleva la ricostruzione in uno spazio delle fasi aumentato $Z = X \times P$, dove $X$ rappresenta la posizione dell'immagine e $P$ è uno spazio di momento ausiliario. La dinamica è governata da un Sistema Hamiltoniano Separabile:
   $$H_\theta(t, x, p; y) = U_\psi(t, x; y) + K_\phi(t, p; y)$$
   dove $U_\psi$ è un termine di potenziale (dipendente solo dalla posizione) e $K_\phi$ è un termine cinetico (dipendente solo dal momento). Per il Teorema di Liouville, questa struttura garantisce un campo vettoriale privo di divergenza ($\nabla \cdot v = 0$), assicurando che il volume dello spazio delle fasi occupato dai segnali deboli sia invariante e non venga artificialmente contratto.

2. Confini Coniugati Informati dalla Fisica:
   Per affrontare la natura mal posta del problema inverso senza fare affidamento sulla contrazione per la denoisizzazione, FlowPET introduce una strategia di Decomposizione Spazio-Range/Nulla per le condizioni al contorno del flusso:

   • Momento dello Spazio-Range ($p_0$): Al confine sorgente, il momento è inizializzato per codificare il gradiente della coerenza dei dati (la "forza di richiamo"). Questo attira la traiettoria verso il manifold delle soluzioni coerenti con il sinogramma misurato.
   • Momento dello Spazio Nullo ($p_1$): Al confine target, l'incertezza stocastica viene iniettata rigorosamente nello spazio nullo ortogonale all'operatore PET. Ciò confina la generazione di texture ad alta frequenza allo sottospazio non osservato, impedendo l'allucinazione di artefatti che violano i vincoli fisici.

3. Flow Matching Simpletico e Inferenza:
   Il modello viene addestrato tramite Symplectic Flow Matching (SFM), minimizzando la perdita di regressione tra il campo vettoriale appreso e la velocità target definita dall'interpolazione lineare degli stati di confine. Per l'inferenza, gli autori impiegano un integratore Leapfrog Simpletico (Störmer–Verlet). A differenza dei solutori standard (ad es., Runge-Kutta) che introducono dissipazione numerica, l'integratore Leapfrog preserva il determinante del Jacobiano unitario, garantendo la preservazione esatta del volume e il trasporto senza perdite dell'incertezza del nulla iniettata nella ricostruzione finale.

Contributi Chiave

• Framework Generativo Simpletico: FlowPET utilizza la dinamica Hamiltoniana separabile per garantire un trasporto privo di divergenza, prevenendo teoricamente il "lavaggio del segnale" tipico dei modelli di diffusione dissipativi, mantenendo l'invarianza del volume dello spazio delle fasi.
• Ortogonalità Informata dalla Fisica: L'introduzione di una strategia di decomposizione Spazio-Range/Nulla impone rigorosamente la coerenza dei dati nello spazio-range, mentre confina l'esplorazione stocastica nello spazio nullo, risolvendo il compromesso tra fedeltà e diversità.
• Inferenza Preservante la Struttura: L'implementazione di un integratore Leapfrog semplice dimostra che la stretta conservazione geometrica produce un recupero delle lesioni a basso contrasto superiore rispetto ai baseline allo stato dell'arte.

Risultati Sperimentali
FlowPET è stato valutato su tre dataset: BrainWeb (20% di conteggio), un dataset pediatrico interno (1% di conteggio) e UDPET Brain (1% di conteggio).

• Performance Quantitative: FlowPET ha raggiunto risultati allo stato dell'arte in tutte le metriche (SSIM, PS | PSNR, RMSE). Notevolmente, ha superato sia i metodi deterministici che i baseline stocastici (ad es., IR-SDE, DREAM, FourierPET) in SSIM e PSNR, mantenendo al contempo un RMSE inferiore, indicando un recupero superiore della texture senza artefatti da rumore.
• Analisi Qualitativa: I confronti visivi sulle scansioni pediatriche hanno rivelato che i baseline dissipativi presentavano il "lavaggio del segnale" nelle regioni di deboli lesioni. FlowPET ha recuperato con successo queste strutture a basso contrasto, mostrando una fedeltà strutturale più vicina al riferimento a conteggio pieno.
• Analisi del Recupero del Segnale: Un'analisi delle traiettorie tracciando i rapporti di Standard Uptake Value (SUV) ha dimostrato che, mentre i solutori dissipativi causavano una prematura saturazione e il collasso del segnale, FlowPET ha mostrato un recupero monotono e sostenuto verso la verità di base (ground truth), confermando la protezione della massa del segnale lesionale contro l'estinzione numerica.

Significatività
L'articolo sostiene che FlowPET offra una salvaguardia geometrica robusta per i problemi inversi medici in regimi ad alto rumore. Passando dal trasporto dissipativo per contrazione al trasporto semplice conservativo, il metodo affronta il fallimento specifico dei modelli generativi attuali in cui i segnali deboli ma critici per la diagnosi vengono persi. Il lavoro stabilisce che l'imposizione di vincoli strutturali Hamiltoniani non è solo uno strumento per la simulazione fisica, ma un meccanismo necessario per la conservazione dell'informazione nei problemi inversi mal posti, assicurando che la massa di probabilità venga trasportata anziché estinta.