Resumo Técnico: OncoReg: Registro de Imagens Médicas para Desafios Oncológicos

1. Declaração do Problema

O Desafio OncoReg aborda a necessidade crítica de um registro de imagens preciso na oncologia, especificamente no contexto da radioterapia guiada por imagem (IGRT). O desafio clínico central envolve o alinhamento de tomografias computadorizadas de feixe de cone (FBCT) de alta resolução, adquiridas antes do tratamento, com tomografias computadorizadas de feixe de cone (CBCT) de baixa dose e propensas a artefatos, adquiridas durante as sessões de tratamento.

Esta tarefa de registro é complicada por vários fatores:

• Diferenças de Modalidade: Variações significativas de intensidade e artefatos entre FBCT e CBCT.
• Movimento Respiratório: Desalinhamento entre as fases de inspiração máxima (FBCT) e expiração máxima (CBCT).
• Mudanças Anatômicas: Encolhimento do tumor, perda de peso e deformação de órgãos ocorrendo ao longo do curso do tratamento (meses).
• Privacidade de Dados: O vasto volume de dados médicos gerados na oncologia é frequentemente subutilizado devido a restrições de privacidade do paciente, impedindo a liberação pública de grandes conjuntos de dados anotados necessários para treinar modelos de IA robustos.

O OncoReg visa superar a barreira da privacidade utilizando um framework de duas fases que permite aos pesquisadores desenvolverem algoritmos em dados públicos e validarem-nos em dados clínicos privados e ocultos, sem que os dados saiam da rede segura do hospital.

2. Metodologia e Design do Desafio

Framework do Desafio

O desafio foi organizado em duas fases distintas, baseando-se no fundamento do Desafio Learn2Reg:

1. Fase 1 (ThoraxCBCT): Um desafio do Tipo 1/Tipo 2 utilizando um conjunto de dados publicamente disponível derivado do dataset 4D-Lung do The Cancer Imaging Archive (TCIA). Os participantes desenvolveram algoritmos em 11 pacientes de treinamento e 3 pacientes de validação.
2. Fase 2 (OncoReg): Um desafio do Tipo 3 utilizando um conjunto de dados privado e completamente oculto da Universidade Hospitalar de Schleswig-Holstein (UKSH). Os participantes enviaram seus algoritmos de treinamento (containerizados), que os organizadores retreinaram e avaliaram em 27 pacientes ocultos (15 de treinamento, 3 de validação, 9 de teste em uma configuração de validação cruzada de 3 dobras). Esta fase introduziu um deslocamento de domínio (domain shift), pois os dados originaram-se de scanners e instituições diferentes do conjunto de dados público.

Características dos Dados

• ThoraxCBCT: 19 casos (11 treino, 3 val, 5 teste). As imagens foram reamostradas para 390x280x300 voxels (1,0 mm isotrópico). As anotações incluíram 13 estruturas semiautomáticas e cerca de 16 marcos (landmarks) manuais por par.
• OncoReg: 27 casos. As imagens foram reamostradas para 256x192x192 voxels (1,5 mm isotrópico). As anotações foram mais abrangentes, apresentando 52 estruturas semiautomáticas e cerca de 25 marcos manuais por par. Crucialmente, o dataset OncoReg não estava sincronizado pela fase de respiração, apresentando um cenário clínico mais realista.

Métricas de Avaliação

O desempenho foi avaliado usando uma abordagem de múltiplas métricas para garantir a robustez:

• Erro de Registro de Alvo (TRE - Target Registration Error): Distância entre marcos manuais.
• Coeficiente de Similaridade de Dice (DSC - Dice Similarity Coefficient): Sobreposição de máscaras de segmentação.
• Distância de Hausdorff do Percentil 95 (HD95): Robustez da distância de superfície.
• Desvio Padrão do Logaritmo do Jacobiano (SDlogJ - Standard Deviation of Log Jacobian): Suavidade do campo de deformação.
• Tempo de Execução (Runtime): Medido, mas não incluído no ranking final para priorizar a precisão para este benchmark específico.

Os rankings foram determinados usando uma média geométrica de testes de significância estatística (teste de postos sinalizados de Wilcoxon) através das métricas.

Métodos Submetidos

O desafio atraiu diversas abordagens, variando desde a otimização clássica até o aprendizado profundo:

• DINO-Reg & Ensemble: Utilizou DINOv2 (Vision Transformers) para extração de características auto-supervisionadas, seguido de otimização por gradiente descendente. Um ensemble combinou características DINO com características MIND (Modality Independent Neighbourhood Descriptors).
• Fourier-Net: Uma abordagem orientada a modelos que aprende representações de deslocamento de baixa frequência via FFT, refinadas com otimização de nível de instância.
• SSKJLBW: Um framework não supervisionado de tiro único (single-shot) usando fusão de características multiescala e evolução de template dinâmica para lidar com ruído e grandes deformações.
• SynDeeds: Um método DeedsBCV aprimorado incorporando um módulo de síntese de imagem baseado em aprendizado para restaurar a qualidade do CBCT antes do registro.
• TimH (ConstrICON): Um framework que garante consistência inversa por construção usando parametrização de grupo de Lie, apresentando um extenso pré-processamento para recortar os FBCTs ao campo de visão (field-of-view) do CBCT.
• Voxelmorph++: Extensão do VoxelMorph com predição de deslocamento baseada em mapas de calor, correspondências de pontos-chave fracamente supervisionadas e otimização de instância.

3. Resultados Principais

ThoraxCBCT (Dados Públicos)

• Melhores Desempenhos: O SynDeeds foi o vencedor oficial, alcançando o maior DSC médio (70,16%). O ConvexAdam (um baseline fornecido pelos organizadores) alcançou o maior rank geral em todas as métricas (Rank 0,710) e o menor TRE (4,93 mm), embora fosse inelegível para a vitória oficial.
• Tendências de Desempenho: Estruturas grandes (pulmões) foram registradas com alta precisão em todos os métodos. Estruturas pequenas e alongadas (esôfago, medula espinhal) permaneceram desafiadoras.
• Divergência de Métricas: O Fourier-Net alcançou o menor TRE, mas DSC inferior, enquanto o SynDeeds e o ConvexAdam mostraram DSC forte com TRE ligeiramente superior, indicando que diferentes métricas capturam aspectos distintos da qualidade do registro.

OncoReg (Dados Privados)

• Melhores Desempenhos: O TimH alcançou o melhor desempenho geral (Rank 0,73), destacando-se particularmente em HD95 (6,92 mm) e TRE30, em grande parte devido à sua estratégia de pré-processamento de recortar os FBCTs para corresponder ao campo de visão do CBCT. O DINO-Reg Ensemble seguiu de perto (Rank 0,67), alcançando o menor TRE mediana (3,94 mm) e o maior DSC (63,89%).
• Generalização: Métodos que dependem fortemente de otimização de nível de instância (ex: DINO-Reg) mostraram forte desempenho, mas ao custo de alto tempo de execução (>300s). O ConvexAdam manteceu desempenho competitivo com tempos de execução abaixo de 5 segundos.
• Deslocamento de Domínio (Domain Shift): Vários métodos performaram de forma diferente entre o ThoraxCBCT e o OncoReg, destacando o impacto do deslocamento de domínio (diferenças de scanner, protocolos de aquisição). Por exemplo, o NiftyReg performou relativamente melhor no ThoraxCBCT, mas teve dificuldades com distorções no dataset OncoReg, onde as incompatibilidades de campo de visão não foram tratadas.

4. Principais Contribuições e Descobertas

O artigo apresenta as seguintes contribuições e insights primários:

1. Benchmarking Preservando a Privacidade: A implementação bem-sucedida de um framework de desafio do Tipo 3 demonstra que o desenvolvimento e a validação de algoritmos de alta qualidade podem ocorrer em dados médicos sensíveis sem a liberação pública dos dados, fomentando modelos de IA generalizáveis.
2. Importância da Extração de Características: Os métodos de maior ranking (ConvexAdam, DINO-Reg) dependeram fortemente de estratégias robustas de extração de características. O artigo conclui que, quer as características sejam manuais (ConvexAdam) ou aprendidas via auto-supervisão (DINO-Reg), uma representação de características forte é um pilar fundamental para um registro bem-sucedido.
3. Pré-processamento e Adaptação de Domínio: O sucesso do TimH ressalta que as escolhas de pré-processamento, especificamente o tratamento da sobreposição parcial do campo de visão e a adaptação de domínio, podem ser tão críticas quanto a própria arquitetura de registro. Ignorar a incompatibilidade na cobertura anatômica entre FBCT e CBCT leva a erros significativos de borda.
4. Complementaridade de Métricas: A análise revelou uma correlação negativa moderada entre TRE e DSC ($\rho = -0,52$), confirmando que a precisão de marcos e a sobreposição de segmentação capturam aspectos diferentes da qualidade do registro. Nenhuma métrica isolada é suficiente; a avaliação de múltiplas métricas é essencial.
5. Abordagens Híbridas: A combinação de métodos clássicos com aprendizado profundo (ex: usar pontos-chave do ConvexAdam para refinar o VoxelMorph++) mostrou-se promissora, sugerindo que pipelines híbridos podem superar abordagens de aprendizado profundo puro ou de otimização pura em contextos específicos.

5. Significância e Alegações

Os autores afirmam que o OncoReg fornece um benchmark abrangente para o registro de FBCT para CBCT em radioterapia, oferecendo insights sobre o estado atual do registro de imagem deformável. A significância do trabalho reside em:

• Relevância Clínica: Ao focar nos desafios específicos da IGRT (incompatibilidade de modalidade, movimento respiratório e mudanças anatômicas), o desafio aborda uma necessidade clínica direta para a radioterapia adaptativa.
• Insights Metodológicos: Os resultados destacam que, embora o aprendizado profundo seja poderoso, a otimização clássica e a engenharia de características permanecem vitais. O artigo sugere que o progresso futuro depende não apenas de novas arquiteturas, mas de melhor extração de características, adaptação de domínio e tratamento de sobreposição parcial de imagem.
• Direções Futuras: Os autores sugerem modestamente que desafios futuros devem incorporar conjuntos de dados multicêntricos maiores, validação cruzada mais extensa e uma consideração equilibrada da eficiência computacional junto com a precisão, visto que os métodos de alto desempenho atuais frequentemente dependem de otimização de nível de instância computacionalmente dispendiosa.

O artigo conclui que, embora os métodos de maior desempenho tenham alcançado uma precisão impressionante, o equilíbrio entre precisão, robustez e eficiência computacional continua sendo uma área crítica para pesquisas futuras para permitir a implantação clínica rotineira.