Deep Learning Strain Estimation: Is Physics-Based Simulation the Solution?

Technische Samenvatting: Diep Leeren voor Schatting van Myocardiale Deformatie via Fysiek Gebaseerde Simulatie

Probleemstelling
Speckle tracking-echocardiografie (STE) is de klinische standaard voor het schatten van myocardiale deformatie (strain), een cruciale biomarker voor vroege cardiale dysfunctie. Hoewel STE adequaat presteert voor globale longitudinale deformatie (GLS), blijft de nauwkeurigheid voor regionale deformatie beperkt door speckle-decorrelatie veroorzaakt door ruis, artefacten en beweging buiten het vlak. Diep leren (DL) biedt een potentiële oplossing, maar de ontwikkeling wordt gehinderd door het ontbreken van betrouwbare referenties voor de grond-waarheid van beweging. Bestaande DL-benaderingen erven ofwel de bias van door STE afgeleide labels over, of vertrouwen op synthetische data gegenereerd door fysiek gebaseerde modellen die het temporele realisme van klinische echografie missen, wat resulteert in een aanzienlijke domein-kloof.

Methodologie
De auteurs stellen een uitgebreid kader voor dat bestaat uit een innovatieve simulatiepijplijn, een iteratieve strategie voor datasetverfijning en een gespecialiseerde deep learning-architectuur.

1. Fysiek Gebaseerde Simulatiepijplijn:
   De kerninnovatie is een simulatiestrategie die expliciet speckle-decorrelatie modelleert om de kloof tussen synthetische en echte data te overbruggen. De pijplijn maakt gebruik van de fysieke simulator SIMUS en hanteert een drietrapsstrategie:

   • Strategie 1 (S1): Een basispijplijn die een temporeel mesh gebruikt, afgeleid van segmentatiemaskers, om de beweging van verstrooiers aan te sturen.
   • Strategie 2 (S2): Introduceert expliciete speckle-decorrelatie door adaptief de verhouding tussen coherente (myocardiale) en incoherente (achtergrond) verstrooiers bij te werken, gebaseerd op correlatiecurven ontleend aan echte template-video's.
   • Strategie 3 (S3): Een tweestaps iteratief verfijningsprocedure. Deze berekent het verschil tussen de doelaan correlatie (van echte data) en de gesimuleerde correlatie, en schaalt vervolgens de invoer-correlatiecurven om een nieuwe simulatie te genereren die beter overeenkomt met de temporele speckle-dynamiek van de template.

2. Iteratieve Datasetverfijning (Data Engine):
   Geïnspireerd door het Segment Anything Model (SAM), ontwikkelden de auteurs een meerstaps verfijningsproces om een grootschalige dataset te genereren met fysiologisch plausibele beweging:

   • Een initiële dataset ($D_0$) wordt gegenereerd met behulp van grove meshes afkomstig van handmatige of geautomatiseerde segmentaties.
   • Een bewegingsschattingmodel wordt getraind op $D_0$ en toegepast op echte video's om verfijnde, minder geregulariseerde meshes ($M_1$) te voorspellen.
   • Deze verfijnde meshes worden gebruikt om een nieuwe, realistischere dataset ($D_1$) te genereren, die wordt gebruikt om het model opnieuw te trainen. Dit proces wordt herhaald om $D_2$ te produceren, waarbij de bewegingsgetrouwheid progressief toeneemt zonder handmatige validatie bij elke stap, aangezien de simulatie exacte bewegingsconsistentie met de onderliggende meshes afdwingt.

3. Track Any Speckle Netwerk (TAS-Net):
   Een deep learning-model, aangepast van de CoTracker-architectuur, specifiek toegesneden op echocardiografie. Belangrijke aanpassingen zijn:

   • Mesh-Embedding: Een tijd-invariante embedding, gebaseerd op genormaliseerde longitudinale en radiale mesh-coördinaten, wordt toegevoegd aan het uiterlijk-vector, waardoor het model kan omgaan met variërende mesh-resoluties en punten expliciet kan koppelen aan hun mesh-indexen.
   • Continue Zichtbaarheidsscore: De binaire zichtbaarheidsindicator wordt vervangen door een continue score om de mate van speckle-decorrelatie bij elk punt te regresseren.
   • Bidirectionele Schuifvenster: In tegenstelling tot standaard enkelrichtings tracking, initialiseert TAS-Net de tracking in het end-systolische (ES) frame en trackt het bidirectioneel (voorwaarts naar het einde, achterwaarts naar het begin) om temporele consistentie te waarborgen, waarbij training crops zijn beperkt tot het ES-frame.

Belangrijkste Bijdragen

• Nieuwe Simulatiestrategie: Een geconsolideerde pijplijn die expliciet speckle-decorrelatie modelleert en iteratieve verfijning gebruikt om synthetische ultrasone sequenties te genereren met hoge ruimtelijke en temporele realisme.
• TAS-1K Dataset: Een open-source, fotorealistische dataset van 1.478 synthetische echocardiografische video's met referentiemovement, gegenereerd via het voorgestelde meerstaps verfijningsproces.
• TAS-Net Architectuur: Een gespecialiseerd punt-trackingmodel dat gebruikmaakt van vooraf getrainde gewichten uit natuurlijke videodatasets, terwijl het zich aanpast aan de specifieke uitdagingen van echocardiografische data (bijv. speckle-decorrelatie, ES-initialisatie).

Resultaten
De voorgestelde methode werd geëvalueerd op meerdere real-world cohorten (SSHF, HUNT, HUNT-A) tegen klinische referenties afgeleid van EchoPac-software.

• Bewegingsschatting: TAS-Net, getraind op TAS-1K, bereikte een Mean Trajectory Error (MTE) van 1,15–1,16 mm op testdatasets, en presteerde beter dan zowel EchoTracker als MyoTracker, getraind op dezelfde synthetische data, evenals versies getraind op de dataset van Burman et al.
• Globale Deformatie (GLS): De methode bereikte een GLS-variabiliteit van 1,42% in een inter-expert setting, vergelijkbaar met de 1,78% variabiliteit die werd waargenomen tussen klinische experts die EchoPac gebruiken. De Mean Absolute Error (MAE) voor GLS bedroeg 1,39% (tegenover 1,50% voor de EchoPac-referentie), waarbij de Bland-Altman-analyse een bias van bijna nul toonde.
• Regionale Deformatie: TAS-Net toonde reproduceerbaarheid die vergelijkbaar was met de inter-expert variabiliteit voor regionale longitudinale deformatie, met grenzen van overeenstemming die vergelijkbaar waren met die tussen menselijke experts.
• Generalisatie: Ondanks uitsluitend te zijn getraind op synthetische A2C- en A4C-weergaven, generaliseerde TAS-Net effectief naar de A3C-weergave en over diverse pathologieën (hypertensie, diabetes, enz.) zonder prestatiedegrade.

Betekenis
Het artikel stelt dat dit werk de eerste keer vertegenwoordigt dat prestaties worden bereikt die gelijk zijn aan de inter-expert variabiliteit voor zowel globale als regionale deformatieschatting, met behulp van een deep learning-model dat uitsluitend is getraind op gesimuleerde data. Door de domein-kloof te overbruggen via fysiek gebaseerde speckle-modellering en iteratieve verfijning, elimineert de aanpak de noodzaak voor grootschalige, handmatig geannoteerde real-world bewegingsdata. De auteurs stellen dat dit een nieuwe generatie robuuste, reproduceerbare deep learning-methoden voor cardiale deformatieschatting mogelijk maakt, die minder vatbaar zijn voor de bias die inherent is aan huidige commerciële STE-software.