Resumo Técnico: OPENPROS

Declaração do Problema

O câncer de próstata continua sendo uma das principais causas de mortalidade relacionada ao câncer, necessitando de detecção precoce. Embora a ressonância magnética multiparamétrica (mpMRI) seja o padrão ouro atual, seu alto custo e acessibilidade limitada dificultam a adoção generalizada. A Tomografia Computadorizada por Ultrassom (USCT) oferece uma alternativa de baixo custo ao reconstruir parâmetros teciduais quantitativos, como a velocidade do som (SOS), que servem como biomarcadores para malignidade. No entanto, a USCT de próstata enfrenta barreiras clínicas e técnicas significativas:

1. Aquisição de Ângulo Limitado: Restrições anatômicas limitam o posicionamento do transdutor às posições transretal e transabdominal, criando dados esparsos e angularmente limitados que tornam os métodos de inversão tradicionais baseados em física mal definidos (ill-posed), lentos para convergir e propensos a artefatos severos.
2. Complexidade Tecidual: O ambiente da próstata envolve alta heterogeneidade tecidual e proximidade com estruturas ósseas pélvicas, invalidando suposições simplificadas de fluidos usadas em outras modalidades, como a imagem de mama.
3. Escassez de Dados: O desenvolvimento de algoritmos de reconstrução robustos e generalizáveis é severamente prejudicado pela falta de conjuntos de dados de larga escala e anatomicamente precisos que simulem condições realistas de ângulo limitado com dados de forma de onda completa. Os conjuntos de dados existentes focam em imagens de mama, carecem de realismo anatômico ou não abordam os desafios específicos da região pélvica masculina.

Metodologia

O artigo apresenta o OPENPROS, um conjunto de dados de benchmark de larga escala e um framework de simulação projetado para reduzir a lacuna entre a pesquisa acadêmica e a implantação clínica para USCT de próstata de ângulo limitado.

Construção do Conjunto de Dados:

• Material de Origem: O conjunto de dados é derivado de 4 exames clínicos reais de MRI/CT e 62 espécimes de próstata ex vivo. As anotações de especialistas foram realizadas em T2-weighted MRI (órgãos), T1-weighted MRI (gordura) e X-ray CT (ossos).
• Medições Físicas: A velocidade do som (SOS) e a atenuação foram medidas de espécimes ex vivo usando um scanner QT. Outros valores de SOS de órgãos foram obtidos do banco de dados de tecidos de base ITIS.
• Geração de Phantom: Modelos digitais 3D de próstata foram construídos integrando essas segmentações anatômicas e distribuições de SOS medidas. Para mimetizar a heterogeneidade tecidual, distribuições Gaussianas foram aplicadas aos valores de SOS dentro dos tipos de tecido.
• Extração 2D: 280.000 fantasmas 2D pareados de SOS e formas de onda de ultrassom foram gerados através do fatiamento dos modelos 3D sob configurações de sonda clinicamente realistas (uma transretal, uma abdominal) com rotações aleatórias (±45°) e perturbações.
• Simulação: A propagação de ondas foi simulada usando um solver de Diferenças Finitas no Domínio do Tempo (FDTD) de quarta ordem espacial e segunda ordem temporal e solvers de onda acústica de Runge-Kutta. A configuração inclui 20 fontes e 322 receptores, capturando transmissão e reflexão através de diversos caminhos acústicos. A simulação considera condições de contorno absorventes e utiliza uma wavelet de Ricker de 1 MHz.

Framework de Benchmarking:
Os autores estabeleceram uma tarefa de aprendizado supervisionado para aproximar o mapeamento inverso dos campos de pressão de ultrassom ($p$) para mapas de SOS ($c$). Eles compararam:

• Baselines Baseados em Física: Beamforming de Delay-and-Sum e um método de inversão de USCT de múltiplos estágios e múltiplas frequências.
• Baselines de Deep Learning: Um InversionNet baseado em CNN e uma variante baseada em Vision Transformer (ViT-Inversion) projetada para capturar dependências espaciais de longo alcance.

Principais Contribuições

1. Dataset OPENPROS: O primeiro benchmark de larga escala, disponível publicamente, especificamente para USCT de próstata de ângulo limitado. Contém mais de 280.000 amostras pareadas de fantasmas de SOS 2D realistas e dados de forma de onda de ultrassom correspondentes, derivados de fontes clínicas e ex vivo.
2. Ferramentas de Simulação de Código Aberto: O lançamento de solvers avançados de FDTD e de onda acústica de Runge-Kutta para garantir a reprodutibilidade e facilitar o desenvolvimento de novos métodos de inversão.
3. Benchmarking Abrangente: Uma avaliação sistemática de métodos baseados em física e de deep learning sob condições realistas de ângulo limitado, estabelecendo baselines de desempenho para eficiência de inferência, precisão de reconstrução e generalização.

Resultados

Desempenho In-Distribution (ID):

• Precisão: Métodos de deep learning superaram significativamente os algoritmos tradicionais baseados em física. O ViT-Inversion alcançou os melhores resultados com um RMSE de ~0,0205 e SSIM de ~0,9967, representando uma redução de 5 a 6 vezes no erro em comparação com o baseline físico (RMSE ~0,16).
• Eficiência: Métodos baseados em dados demonstraram inferência quase instantânea (4,9ms para InversionNet, 8,9ms para ViT-Inversion) comparado às horas exigidas pelos métodos baseados em física (4–24 horas por amostra).
• Limitações Qualitativas: Embora os modelos de deep learning tenham recuperado formas anatômicas globais e contornos de forma mais clara que os métodos baseados em física, eles falharam em resolver estruturas internas finas e pequenas lesões, frequentemente produzindo reconstruções suavizadas.

Generalização e Robustez:

• Generalização ao Nível do Paciente: Quando testados em pacientes inteiramente novos (Out-of-Distribution), o desempenho degradou significativamente (erros aumentaram de 3 a 5 vezes), destacando a dificuldade de generalizar entre diferentes anatomias.
• Generalização Intra-Paciente: Os modelos performaram bem quando testados em próstatas não vistas do mesmo paciente, sugerindo que a variabilidade intra-paciente é menos desafiadora que a variabilidade inter-paciente.
• Robustez ao Ruído: O ViT-Inversion demonstrou resiliência superior ao ruído Gaussiano em comparação ao InversionNet.

Significância e Alegações

O artigo posiciona o OPENPROS como um recurso crítico para motivar avanços em aprendizado informado por física (physics-informed learning), modelos de fundação para imagens científicas e reconstrução consciente de incerteza (uncertainty-aware reconstruction).

Os autores alegam que, embora o deep learning ofereça um caminho para a reconstrução de SOS rápida e clinicamente relevante, os métodos atuais ainda falham em entregar as reconstruções de alta resolução e clinicamente aceitáveis necessárias para o uso no mundo real. O conjunto de dados destina-se a:

• Permitir comparações de métodos justas e rigorosas.
• Expor lacunas críticas de generalização e robustez que devem ser abordadas antes da tradução clínica.
• Servir como um benchmark de prototipagem rápida para reconstrução de forma de onda para SOS, com a expectativa de que abordagens bem-sucedidas serão eventualmente validadas em modelos 3D e de múltiplos parâmetros mais complexos.

O trabalho conclui que o OPENPROS preenche a lacuna entre a pesquisa de ML acadêmica e as necessidades clínicas, mas enfatiza que desafios significativos permanecem para resolver detalhes anatômicos finos e alcançar uma generalização robusta através de variações anatômicas não vistas.