Sintesi Tecnica: PINN-Flow

Definizione del Problema

La stratificazione del rischio di rottura degli aneurismi dell'aorta addominale (AAA) si basa su due quantità biomeccanicamente accoppiate: lo Stress di Taglio della Parete (WSS), derivato dal flusso ematico intraluminale, e lo Stress di Parete di Picco (PWS), derivato dallo stress meccanico del tessuto aortico. Gli attuali approcci di deep learning affrontano queste grandezze separatamente utilizzando metodi di flusso ottico puramente guidati dai dati:

• Pipeline 1: Utilizza U-Net + RAFT su Cine-MRI per stimare la velocità del fluido.
• Pipeline 2: Utilizza U-Net + TV-L1 su ecografia B-mode per stimare la deformazione della parete.

Questi metodi soffrono di una debolezza strutturale critica: le loro funzioni di perdita impongono solo la coerenza fotometrica e una generica regolarità spaziale, mancando di qualsiasi vincolo basato sulla fisica del sangue o del tessuto. Di conseguenza, sono altamente vulnerabili agli artefatti specifici della modalità (ad es. decorrelazione dello speckle nell'ecografia, artefatti di fase nella MRI), in particolare nello strato limite vicino alla parete. Questa è la regione con il minor contrasto d'immagine, dove vengono calcolati WSS e PWS, portando a stime localmente erratiche che compromettono la valutazione del rischio di rottura.

Metodologia

Gli autori propongono PINN-Flow, un framework unificato di Reti Neurali Informate dalla Fisica (PINN) che stima congiuntamente il campo di velocità del fluido e il campo di spostamento della parete utilizzando un'architettura a encoder condiviso e dual-decoder.

1. Architettura della Rete

• Struttura: Un encoder multi-scala condiviso alimenta due decoder indipendenti: un ramo fluido che predice la velocità densa $(u, v)$ e un ramo parete che predice lo spostamento della parete $(u_w, v_w)$.
• Accoppiamento delle Caratteristiche: L'encoder condiviso permette alle caratteristiche del confine vicino alla parete di informare entrambi i rami, fornendo un accoppiamento morbido a livello di caratteristiche che integra i vincoli fisici imposti al livello dell'output.
• Parametri Apprendibili: La viscosità cinematica ($\nu$) e il modulo di Young ($E$) sono parametrizzati nello spazio logaritmico e appresi congiuntamente ai pesi della rete.

2. Formulazione Matematica

La rete viene addestrata minimizzando una funzione di perdita composita:
$$L_{total} = \lambda_1 L_{data} + \lambda_2 L_{smooth} + \lambda_3 L_{NS} + \lambda_4 L_{Elast}$$

• Termine dei Dati ($L_{data}$): Impone la costanza della luminosità tramite una perdita di warping robusta (Huber loss) tra frame consecutivi.
• Termine di Regolarità ($L_{smooth}$): Impone la regolarità spaziale sui gradienti dei campi di velocità e spostamento.
• Termine di Navier-Stokes ($L_{NS}$): Applica un residuo di Navier-Stokes incomprimibile 2D al ramo del fluido. Penalizza le violazioni della conservazione della massa ($\nabla \cdot V = 0$) e della conservazione del momento. Il termine del gradiente di pressione è assorbito in un residuo ridotto a causa della mancanza di misurazioni dirette della pressione.
• Termine di Elasticità ($L_{Elast}$): Applica un residuo di equilibrio statico elastico lineare al ramo della parete. Modella la parete come un materiale elastico lineare, a piccole deformazioni e stato piano di sforzo, penalizzando le violazioni dell'equazione di equilibrio ($\nabla \cdot \sigma = 0$).

3. Implementazione: Differenziazione Continua-Coordinata

Una chiave innovazione tecnica è il metodo per calcolare i residui fisici. Invece di utilizzare differenze finite su un reticolo di pixel discreti, l'output della rete viene ri-campionato bilinearmente su una griglia di coordinate continua tramite un'operazione di campionamento della griglia differenziabile.

• Questo trasforma l'output discreto della CNN in una funzione genuinamente continua e due volte differenziabile delle coordinate $(x, y)$.
• Le derivate spaziali e temporali richieste dai residui delle PDE vengono calcolate tramite differenziazione automatica su questo campo continuo, garantendo la differenziabilità esatta e la backpropagation nei pesi della rete.

Contributi Chiave

1. Framework Unificato: Un'unica architettura che stima congiuntamente la velocità del fluido intraluminale e lo spostamento della parete aortica, applicabile sia alla Cine-MRI che all'ecografia B-mode.
2. Perdita Informata dalla Fisica: Implementazione di una perdita composita che combina residui di Navier-Stokes 2D incomprimibili (fluido) e residui di equilibrio statico elastico lineare (parete), calcolati tramite differenziazione automatica.
3. Validazione della Robustezza: Dimostrazione attraverso esperimenti di iniezione di rumore controllata che i vincoli fisici riducono la perdita di convergenza, riducono l'instabilità dell'addestramento e degradano in modo più graduale sotto l'effetto del rumore rispetto ai baseline guidati dai dati.
4. Analisi delle Implicazioni Cliniche: Discussione di come questo framework migliori la stima di WSS e PWS, i principali descrittori del rischio di rottura di AAA.

Risultati Sperimentali

Gli esperimenti sono stati condotti utilizzando dati simulati con livelli di rumore controllati (speckle moltiplicativo per condizioni simili all'ecografia e rumore Rician additivo per condizioni simili alla MRI), poiché non era disponibile un dataset clinico con annotazioni di verità fondamentale (ground-truth) e riferimenti sincronizzati.

• Convergenza: PINN-Flow ha raggiunto una perdita di addestramento finale di 0,1053 e una perdita di validazione di 0,1112, significativamente inferiori rispetto al baseline guidato dai dati (0,2369 e 0,2731, rispettivamente).
• Stabilità: La deviazione standard della perdita negli ultimi 20 epoche è stata ridotta di circa 2,7× (0,0066 vs 0,0180), indicando una riduzione delle oscillazioni e meno minimi locali.
• Robustezza al Rumore: Sotto livelli crescenti di rumore, PINN-Flow ha dimostrato una resilienza superiore. La degradazione del NRMSE (Normalized Root Mean Square Error) dal livello "clean" al livello di rumore massimo è stata di +172,6% per PINN-Flow, rispetto a +184,6% per RAFT e +214,7% per TV-L1.
• Performance ad Alto Rumore: Al massimo livello di rumore simulato, PINN-Flow ha superato TV-L1 di circa il 29% e RAFT del 21% in termini di NRMSE medio.

Significato e Rivendicazioni

Il paper sostiene che, vincolando il tracciamento a campi di velocità e spostamento fisicamente ammissibili, PINN-Flow unifica le pipeline precedentemente separate degli AAA in un unico framework. Il suo significato primario risiede nella capacità di produrre stime più stabili e resilienti agli artefatti di WSS e PWS, specificamente nelle regioni vicino alla parete a basso contrasto e alto rumore, dove i modelli puramente fotometrici tipicamente falliscono.

Gli autori sottolineano che il prior fisico agisce come un'ancora nelle regioni in cui l'informazione fotometrica è corrotta (ad es. vicino al confine della parete), garantendo che i campi risultanti rimangano privi di divergenza e in equilibrio. Ciò è critico per le applicazioni cliniche in cui le regioni più rumorose sono anche quelle più critiche per il calcolo del rischio di rottura.

Limitazioni

Gli autori riconoscono esplicitamente diverse limitazioni:

1. Assunzione 2D: La formulazione è planare; il flusso e il movimento fuori dal piano non sono penalizzati, il che potrebbe introdurre bias nelle stime in regioni con forte curvatura 3D.
2. Termine di Pressione: Il residuo del momento omette un termine esplicito del gradiente di pressione a causa della mancanza di misurazioni dirette della pressione.
3. Costo Computazionale: La differenziazione automatica del secondo ordine raddoppia o triplica approssimativamente il costo del passaggio backward rispetto alle reti puramente guidate dai dati.
4. Validazione Simulata: I risultati si basano su modelli di rumore simulati piuttosto che su un dataset clinico accoppiato con ground-truth; pertanto, stabiliscono la fattibilità e il comportamento atteso piuttosto che prove di grado clinico.
5. Parametri Uniformi: Il modello assume viscosità e rigidità spazialmente uniformi, mentre la realtà biologica prevede variazioni spaziali.