Geometry-conditioned diffusion generation of Lagrangian particle trajectories in human airways

Sintesi Tecnica: Generazione di Traiettorie di Particelle Lagrangiane Condizionata dalla Geometria tramite Modelli di Diffusione nelle Vie Aeree Umane

Definizione del Problema
La previsione accurata del trasporto di particelle nelle vie aeree umane è fondamentale per valutare la deposizione di aerosol, ottimizzare la somministrazione di farmaci inalatori e condurre ricerche sulla dose di radiazioni. Sebbene le simulazioni ad alta fedeltà di Fluidodinamica Computazionale e Dinamica delle Particelle (CFPD) forniscano dati dettagliati sulle traiettorie lagrangiane, la loro applicazione in contesti clinici o di grandi coorti è ostacolata da stringenti requisiti di pre-elaborazione geometrica (segmentazione, riparazione della mesh, smoothing) e costi computazionali proibitivi. Gli esistenti modelli surrogati basati sui dati si concentrano principalmente su campi di flusso euleriani o su scenari 2D semplificati e faticano a generalizzare ad anatomie 3D complesse e specifiche per il soggetto. Inoltre, i regressori puramente deterministici non riescono a catturare la natura intrinsecamente multimodale e stocastica delle traiettorie delle particelle, che sono sensibili alla geometria locale, alla turbolenza e alle forze stocastiche.

Metodologia
Gli autori propongono un modello probabilistico di diffusione per la denoising guidata (DDPM) condizionata dalla geometria per generare traiettorie di particelle fisicamente plausibili direttamente in una rappresentazione lagrangiana. Il framework integra tre componenti principali:

1. Codifica Geometrica Variazionale: L'anatomia delle vie aeree è rappresentata come una griglia di occupanza voxelizzata 3D. Un Autoencoder Variazionale (VAE) codifica questa geometria ad alta dimensione in un vettore latente compatto e stocastico ($z_G$). Questo vettore latente funge da input di condizionamento globale per il modello di diffusione, consentendo alla rete di apprendere una mappatura tra le caratteristiche anatomiche e le statistiche delle traiettorie.
2. Modello di Diffusione Condizionato: Il generatore centrale è una U-Net temporale 1D addestrata per predire il rumore aggiunto a una sequenza di posizioni di particelle 3D ($x \in \mathbb{R}^{K \times 3}$, dove $K=1024$ passi temporali). Il modello è condizionato dal vettore latente della geometria codificata e dal passo temporale di diffusione. L'obiettivo di addestramento minimizza l'errore di predizione del rumore ($L_{ddpm}$) insieme a un termine di regolarizzazione Kullback-Leibler (KL) per evitare che l'encoder si adatti eccessivamente alle geometrie discrete di addestramento.
3. Guida tramite Funzione di Distanza con Segno (SDF): Per imporre la fattibilità geometrica durante l'inferenza, viene costruita una Funzione di Distanza con Segno (SDF) a partire dalla geometria delle vie aeree. Durante il processo di diffusione inversa, viene applicata una penalità geometrica "soft". La SDF agisce come un campo di energia repulsiva dove i valori al di fuori del lume delle vie aeree sono positivi. Il gradiente di questa energia viene utilizzato per spostare la media della transizione inversa, orientando i campioni generati lontano dalle pareti delle vie aeree e verso il lume. Questa guida viene applicata al tempo di inferenza senza dover riaddestrare il modello base.

Contributi Chiave
Il documento delinea quattro contributi primari:

1. Un Modello Generativo Basato sulla Diffusione: La prima applicazione di un modello di diffusione condizionato per generare ensemble di traiettorie di particelle lagrangiane condizionate dalla geometria 3D delle vie aeree specifica del paziente.
2. Strategia di Codifica Variazionale: Un metodo per condizionare il modello generativo su anatomie non viste durante l'addestramento, comprimendo le geometrie voxelizzate in uno spazio latente.
3. Guida al Tempo di Inferenza: Un meccanismo che utilizza i gradienti della SDF per migliorare la plausibilità geometrica e ridurre gli outlier non fisici che penetrano le pareti, senza imporre vincoli rigidi che potrebbero disturbare il processo generativo.
4. Valutazione Esaustiva: Un'analisi che dimostra la capacità del modello di recuperare le statistiche dell'entità della velocità e di produrre bundle di traiettorie visivamente coerenti, riconoscendo esplicitamente i limiti nella generalizzazione a geometrie fuori distribuzione a causa del set di dati limitato.

Risultati
Il modello è stato addestrato e valutato su dati di tracce di particelle derivati da simulazioni CFPD di nove geometrie rappresentative di vie aeree maschili (selezionate da una coorte più ampia di 412).

• Prestazioni Qualitative: I campioni guidati dalla SDF hanno mostrato significativamente meno segmenti fuori dal lume rispetto ai campioni non guidati. Le traiettorie generate si allineano bene con i principali percorsi aerei e i pattern di biforcazione sia nelle geometrie di addestramento che in quelle non utilizzate per l'addestramento (held-out). Tuttavia, persistono discrepanze nei rami distali, dove le tracce generate appaiono talvolta più lisce o meno disperse spazialmente rispetto alla verità di base (ground truth).
• Prestazioni Quantitative: Il modello ha recuperato con ragionaria accuratezza le statistiche cinematiche chiave. Per il set di valutazione, la velocità media differiva di circa -4,3% e il 9ing percentile della velocità di circa -12,0% rispetto ai dati di riferimento. Le distanze di Wasserstein-1 per le distribuzioni di velocità aggregate erano basse (nell'ordine di $10^{-3}$ a $10^{-2}$ m/s), indicando un buon recupero distributivo.
• Confronto con DMD: In un confronto esplorativo con un modello a ordine ridotto DMD (Dynamic Mode Decomposition) su una singola geometria, il DDPM guidato ha superato il DMD nel riprodurre le distribuzioni di velocità, le velocità per componente, le statistiche degli incrementi multi-lag e le densità spettrali di potenza. La ricostruzione DMD presentava discontinuità non fisiche e non riusciva a catturare l'intera distribuzione condizionale di tracce plausibili, mentre il DDPM forniva un generatore stocastico capace di campionare diverse realizzazioni.

Significatività e Rivendicazioni
Il lavoro si posiziona come una prova di concetto che dimostra come i modelli di diffusione possano fungere da surrogati veloci e consapevoli della geometria per il tracciamento delle particelle lagrangiane. Gli autori affermano che il metodo colma il divario tra la simulazione ad alta fedeltà e l'implementazione pratica, generando ensemble di traiettorie plausibili in secondi o minuti, mantenendo le caratteristiche fisiche e statistiche chiave della dinamica sottostante.

Gli autori sono modesti riguardo all'attuale portata del lavoro, dichiarando esplicitamente che:

• La generalizzazione ad anatomie non viste è fondamentalmente limitata dalla diversità delle geometrie simulate disponibili (ne sono state usate solo nove per l'addestramento).
• Il modello non restituisce ancora variabili del flusso portante o etichette esplicite di deposizione/fuga; si concentra sulle sequenze di posizione.
• Le violazioni dei confini si verificano ancora in casi critici (ad esempio, rami distali sottili), e una guida forte può ridurre la diversità delle traiettorie nelle regioni periferiche.
• Il lavoro futuro richiederà l'espansione del dataset per includere geometrie più diverse e l'incorporazione di variabili di condizionamento esplicite, come la dimensione delle particelle e le forme d'onda della respirazione.

Lo studio conclude che, sebbene l'attuale framework non sia un sostituto completo della CFPD, esso stabilisce una via percorribile verso la generazione rapida e specifica per il soggetto di traiettorie plausibili, a patto che i limiti relativi alla diversità del dataset e ai vincoli di confine vengano affrontati nelle iterazioni future.