Dense Optical Flow and U-Net Segmentation for Automated Circumferential Strain Mapping in Abdominal Aortic Aneurysms

Sintesi Tecnica: Flusso Ottico Denso e Segmentazione U-Net per la Mappatura Automatica dello Strain Circonferenziale negli Aneurismi dell'Aorta Addominale

Problematica
La rottura dell'aneurisma dell'aorta addominale (AAA) comporta un elevato tasso di mortalità, tuttavia l'attuale processo decisionale clinico si basa sul diametro massimo (55 mm), che manca di sensibilità nel predire la rottura in aneurismi più piccoli. Gli indici biomeccanici, specificamente lo strain della parete circonferenziale, offrono un valore predittivo superiore. Tuttavia, derivare questi indici da ecografie (US) B-mode è ostacolato da due colli di bottiglia critici:

1. Segmentazione Manuale: Gli attuali flussi di lavoro richiedono operatori addestrati per delineare manualmente il confine del lume dell'AAA (5–15 minuti per sequenza), impedendo la scalabilità e l'applicazione in tempo reale.
2. Limitazioni del Tracciamento Sparso: I metodi di tracciamento del movimento dominanti, come l'algoritmo Sparse Demons (SD), si affidano a punti caratteristici selezionati in base ai gradienti dell'immagine. Questo approccio fallisce nelle regioni delle pareti laterali dove la bassa ecogenicità (dovuta alla geometria della riflessione speculare) determina una scarsa selezione dei punti, degradando l'accuratezza dello strain proprio dove l'eterogeneità è clinicamente più rilevante.

Metodologia
Gli autori propongono una pipeline completamente automatizzata, end-to-end, che opera esclusivamente su dati e strumenti open-source. Il flusso di lavoro consiste in cinque stadi sequenziali:

1. Segmentazione Automatica (U-Net):

   • Architettura: Una U-Net standard con quattro livelli di encoder/decoder, batch normalization e connessioni skip.
   • Strategia di Training: Il modello è pre-addestrato sul dataset pubblico di ecocardiografia CAMUS (500 sequenze di pazienti) per apprendere la texture dello speckle ecografico e la geometria dei bordi. Viene poi perfezionato (fine-tuning) su sequenze ecografiche simulate di AAA generate utilizzando il toolbox Matlab MUST.
   • Dati: Il dataset simulato include 80 cine-loop con campi di spostamento ground-truth derivati da simulazioni agli elementi finiti (FEM) specifiche per paziente.
   • Funzione di Perdita (Loss Function): Una combinazione di Binary Cross-Entropy (BCE) e Soft Dice loss per affrontare lo sbilanciamento delle classi e ottimizzare la sovrapposizione.

2. Tracciamento del Flusso Ottico Denso:

   • Algoritmo: La pipeline sostituisce il tracciamento sparso con il flusso ottico denso bilateral TV-L1 (implementato tramite DualTVL1OpticalFlow di OpenCV).
   • Meccanismo: Questo metodo variazionale calcola un vettore di spostamento per ogni pixel, minimizzando la fedeltà dei dati (norma L1) e la regolarizzazione della Variazione Totale (TV). Ciò garantisce campi di flusso piecewise-smooth robusti rispetto agli outlier dello speckle e al rumore del pool sanguigno.
   • Mascheratura: L'output della U-Net definisce una Regione di Interesse (ROI) anulare di 6 mm attorno alla parete interna, limitando il calcolo dello strain alla parete del vaso ed escludendo il movimento del sangue.

3. Calcolo dello Strain:

   • I campi di spostamento vengono campionati su una griglia regolare all'interno della ROI.
   • Lo strain circonferenziale è calcolato utilizzando l'interpolazione RBF (spline a piastre sottili) per derivare le componenti del tensore dello strain di Green, evitando la necessità di una mesh regolare.
   • Le fasi del ciclo cardiaco (diastole fine e picco di sistole) sono rilevate automaticamente identificando gli estremi nella curva del diametro antero-posteriore derivata dalle maschere di segmentazione.

Contributi Chiave

1. Prima Pipeline Completamente Automatica: Per quanto ne sappiano gli autori, questo è il primo sistema end-to-end per la mappatura dello strain della parete AAA che elimina interamente l'intervento manuale.
2. Transfer Learning dall'Ecocardiografia: Dimostra che una U-Net pre-addestrata su dati cardiaci (CAMUS) può segmentare efficacemente le pareti AAA quando aumentata con frame di AAA simulati, ottenendo alti punteggi Dice senza richiedere grandi dataset annotati di AAA.
3. Tracciamento Denso vs. Sparso: Sostituisce il bias di selezione dei punti di Sparse Demons con il flusso ottico denso, affrontando specificamente la degradazione del tracciamento nelle regioni della parete laterale a bassa ecogenicità.
4. Open Science: Tutto il codice, i pesi pre-addestrati e gli script di generazione del dataset sintetico sono rilasciati pubblicamente per garantire la riproducibilità.

Risultati
Valutata su sequenze simulate non utilizzate per il training (held-out), la pipeline proposta ha dimostrato miglioramenti significativi rispetto ai baseline (Manuale + Sparse Demons):

• Segmentazione: La U-Net ha raggiunto un coefficiente Dice medio di 0.908 ± 0.021 e un'Intersezione su Unione (IoU) di 0.849 ± 0.028, superando significativamente i contorni attivi (Dice 0.741) e la nnU-Net pre-addestrata su CT (Dice 0.837).
• Accuratezza del Tracciamento: Il flusso ottico denso ha ridotto l'errore quadratico medio (RMSE) del tracciamento a 0.087 ± 0.031 mm, una riduzione del 39% rispetto al baseline Sparse Demons (0.142 mm). Questo miglioramento è stato più pronunciato nelle regioni della parete laterale.
• Accuratezza dello Strain: L'Errore Assoluto Medio (MAE) per lo strain circonferenziale è sceso dal 1.81% (baseline) allo 0.93%.
• Efficienza Computazionale: L'intera pipeline automatizzata ha ridotto il tempo di elaborazione per frame da 180 ms (manuale + SD) a **68 ms**, consentendo un funzionamento quasi in tempo reale (equivalente a una latenza di 15–25 fps) su una singola GPU NVIDIA A100.

Significato e Rivendicazioni
L'articolo sostiene che questa pipeline affronti le due barriere primarie alla traduzione clinica della biomeccanica AAA basata su ecografia: la dipendenza dall'operatore e il fallimento del tracciamento nelle regioni a bassa ecogenicità. Raggiungendo un'accuratezza di tracciamento sub-millimetrica e una capacità di elaborazione quasi in tempo reale utilizzando solo risorse open-source, il metodo facilita la ricerca riproducibile e pone le basi per la validazione clinica prospettica. Gli autori osservano che, sebbene l'errore dello strain dello 0.93% sia clinicamente significativo (riducendo l'errore relativo a <10%), la valutazione attuale è limitata a dati sintetici, e il lavoro futuro dovrà validare il sistema su coorti cliniche prospettiche, affrontando in particolare il movimento fuori piano 3D e il trombo intraluminale (ILT).