CASR-Net: An Image Processing-focused Deep Learning-based Coronary Artery Segmentation and Refinement Network for X-ray Coronary Angiogram

O artigo apresenta o CASR-Net, uma rede de aprendizado profundo de três estágios que combina pré-processamento avançado, um codificador DenseNet121 e um decodificador Self-ONN para realizar a segmentação e refinamento precisos de artérias coronárias em angiogramas, superando modelos existentes e oferecendo uma ferramenta robusta para auxiliar no diagnóstico clínico.

O essencial

Imagine que o coração é uma cidade muito movimentada e as artérias coronárias são as estradas principais que levam comida e oxigênio para os prédios (os músculos do coração). Quando essas estradas ficam entupidas ou estreitas (o que chamamos de doença arterial coronariana), a cidade corre o risco de ficar sem energia, o que pode levar a um "apagão" grave, como um infarto.

Para ver essas estradas, os médicos usam um tipo especial de raio-X chamado angiografia. O problema é que essas imagens são como fotos tiradas em um dia nublado e com muita poeira: é difícil ver os detalhes, especialmente as estradas pequenas e estreitas que estão entupidas.

É aqui que entra o CASR-Net, o "herói" deste estudo. Pense nele como um super-ajudante de inteligência artificial que foi treinado para limpar essas fotos confusas e desenhar um mapa perfeito das estradas do coração.

Aqui está como ele funciona, passo a passo, usando analogias simples:

1. A Limpeza da Foto (Pré-processamento)

Antes de tentar desenhar o mapa, o CASR-Net precisa melhorar a qualidade da foto.

• O Problema: A foto original tem sombras, manchas e partes escuras que escondem as artérias.
• A Solução: O sistema usa duas técnicas de "limpeza" ao mesmo tempo:
  • CLAHE: Imagine que você está ajustando o brilho e o contraste de uma foto antiga para que as cores saltem aos olhos.
  • Método Ben Graham (Melhorado): Imagine que você tira uma "máscara" de sombras da foto para que o fundo fique uniforme e as artérias se destaquem.
• O Truque: Em vez de usar apenas uma dessas técnicas, o CASR-Net as combina em um "canal duplo". É como olhar para a mesma paisagem através de dois óculos diferentes ao mesmo tempo: um foca no brilho e o outro no contraste. Juntos, eles revelam detalhes que nenhum dos dois conseguiria ver sozinho.

2. O Desenhista Especial (Segmentação)

Agora que a foto está limpa, o sistema precisa desenhar o contorno das artérias.

• O Desafio: As artérias doentes são finas, tortuosas e muitas vezes parecem que se quebraram na foto. Um desenhista comum (uma rede neural tradicional) poderia desenhar linhas grossas ou perder os detalhes finos, como se estivesse tentando desenhar um fio de cabelo com um pincel grosso.
• A Inovação (Self-ONN): O CASR-Net usa uma tecnologia especial chamada Self-ONN. Imagine que, em vez de ter um pincel rígido, o sistema tem um pincel inteligente e flexível que muda de forma conforme a linha que está desenhando. Se a artéria é reta, ele desenha reto; se ela é curva e estreita, ele se adapta perfeitamente. Isso garante que as "estradas" não fiquem quebradas no mapa final.

3. O Detetive de Erros (Refinamento)

Mesmo com um bom desenhista, às vezes o sistema comete pequenos erros, como pintar uma mancha de poeira como se fosse uma estrada (falso positivo) ou deixar um pequeno pedaço da estrada sem pintar (falso negativo).

• A Correção: O CASR-Net tem um "detetive" final que revisa o trabalho:
  • Ele apaga as manchas pequenas que não são estradas.
  • Se duas partes da estrada estiverem separadas por um pequeno buraco, ele cria uma "ponte" (uma linha de preenchimento) para conectá-las novamente, garantindo que o mapa esteja completo.

Por que isso é importante?

Antes, os médicos tinham que olhar para essas fotos difíceis e tentar adivinhar onde as artérias estavam, o que era cansativo e propenso a erros. Com o CASR-Net:

• Precisão: O sistema consegue ver e desenhar até as artérias mais finas e doentes com muito mais clareza.
• Velocidade: Ele faz o trabalho de análise em segundos.
• Segurança: Ao identificar com precisão onde está o bloqueio, ajuda o médico a planejar o tratamento certo, evitando cirurgias desnecessárias ou detectando problemas antes que se tornem graves.

Em resumo: O CASR-Net é como um restaurador de arte digital que pega uma foto antiga e danificada do coração, limpa a sujeira, usa um pincel inteligente para traçar as linhas com perfeição e conserta qualquer erro final, entregando aos médicos um mapa claro e confiável para salvar vidas.

Resumo técnico

1. Problema e Motivação

A detecção precoce da Doença Arterial Coronariana (DAC) é crucial para reduzir a mortalidade e planejar tratamentos. A angiografia coronária por raios-X (XCA) é o padrão-ouro clínico, mas a segmentação automática das artérias enfrenta desafios significativos devido à baixa qualidade das imagens:

• Baixo contraste e iluminação não uniforme: Dificultam a distinção entre vasos e o fundo.
• Ruído e artefatos: Presença de cateteres, coluna vertebral e diafragma que obscurecem os vasos.
• Geometria complexa: Ramificações finas, tortuosas e regiões estenóticas (estreitadas) frequentemente resultam em segmentações descontínuas ou fragmentadas.
• Limitações de métodos existentes: Abordagens anteriores tendem a focar em vasos grandes, negligenciando segmentos doentes e finos, essenciais para decisões clínicas.

O objetivo deste estudo é desenvolver uma pipeline robusta capaz de segmentar artérias coronárias saudáveis e estenóticas com alta precisão, mantendo a continuidade dos vasos finos.

2. Metodologia Proposta (CASR-Net)

O CASR-Net é uma pipeline de três estágios projetada para processamento de imagens médicas:

A. Pré-processamento Multicanal

Para melhorar a visibilidade dos vasos antes da entrada na rede neural, os autores combinaram duas técnicas em canais separados, que são posteriormente concatenados:

1. CLAHE (Equalização de Histograma Adaptativa Limitada de Contraste): Aplicada para melhorar o contraste local e a visibilidade dos vasos em áreas de baixa iluminação.
2. Método Ben Graham Melhorado: Uma variação da técnica original (subtração da cor média local) adaptada para angiografias. Inclui detecção de bordas Canny, operações morfológicas (erosão/dilatação) e fechamento para eliminar sombras de "patch" circular e realçar estruturas vasculares contra o fundo.

• Resultado: A combinação multicanal forneceu características de contraste complementares, superando o uso individual de cada técnica.

B. Segmentação (Arquitetura da Rede)

O núcleo da segmentação é uma arquitetura UNet modificada:

• Codificador (Encoder): Utiliza DenseNet121 (pré-treinado no ImageNet) para extração de características robustas, substituindo as camadas convolucionais padrão.
• Decodificador (Decoder): A inovação central é a substituição das camadas convolucionais tradicionais (Conv2D) e ativações ReLU por blocos Self-ONN (Operational Neural Networks Auto-organizados) com ativação Tanh.
  • Por que Self-ONN? Diferente das CNNs que usam operadores lineares fixos, os Self-ONNs aprendem e otimizam seus próprios operadores nodais não lineares durante o treinamento. Isso permite que a rede se adapte melhor à geometria complexa e não linear das artérias, preservando a continuidade em vasos estreitos e estenóticos.
• Função de Perda: O uso de Dice Loss mostrou-se superior à Binary Cross-Entropy e a funções híbridas para este conjunto de dados.

C. Refinamento Pós-processamento

Para corrigir erros residuais, três abordagens foram investigadas, sendo as duas últimas selecionadas para a pipeline final:

1. Refinamento de Contorno: Remove pequenas regiões de falsos positivos (ruído) identificando contornos abaixo de um limiar de área e aplicando operações bit a bit.
2. Geração de Linhas de Patch (Patch Line Generation): Reconecta ramos de vasos fragmentados. O método esquelétiza a máscara, detecta extremidades e conecta os pontos mais próximos através de linhas de "patch" se a continuidade de pixels na região de conexão for válida.
3. (Uma rede de refinamento baseada em Deep Learning também foi testada, mas mostrou trade-offs negativos entre precisão e sensibilidade).

3. Contribuições Chave

1. Arquitetura CASR-Net: Introdução de uma rede encoder-decoder que integra Self-ONNs no decodificador para minimizar a quebra de ramos vasculares finos.
2. Pré-processamento Multicanal: Desenvolvimento de uma estratégia híbrida (CLAHE + Ben Graham modificado) que melhora significativamente a diferenciação entre artéria e fundo em angiografias de baixa qualidade.
3. Pipeline de Refinamento: Implementação de técnicas de pós-processamento (contorno e geração de linhas) que reduzem falsos positivos e restauram a continuidade topológica dos vasos.
4. Validação Rigorosa: Uso de validação cruzada de 5 dobras em um conjunto de dados combinado (DCA1 + Dataset de Detecção de Estenose), contendo tanto artérias saudáveis quanto patológicas.

4. Resultados e Desempenho

O modelo foi avaliado em um conjunto de dados combinado de 348 imagens (256x256 pixels) usando validação cruzada de 5 dobras.

• Métricas Principais:
  • Dice Similarity Coefficient (DSC): 76,10%
  • Intersection over Union (IoU): 61,43%
  • clDice (focado em topologia/continuidade): 79,36%
  • Acurácia: 97,52%
• Comparação: O CASR-Net superou vários modelos state-of-the-art (SOTA), incluindo variações de UNet++, ResNet, EfficientNet, Transformers (TiM-Net) e modelos baseados em GANs.
• Eficiência: O tempo de inferência médio foi de 0,696 segundos por imagem, com um número de parâmetros treináveis de 26,9 milhões, tornando-o eficiente para ambientes com recursos limitados.
• Ablação: Estudos mostraram que o uso de Self-ONN com ordem q=3 e Dice Loss foram os fatores mais críticos para o desempenho superior, especialmente na preservação de vasos finos.

5. Significado e Conclusão

O CASR-Net representa um avanço significativo na segmentação automática de angiografias coronárias. Ao abordar especificamente a continuidade de vasos finos e estenóticos através da inovação nos operadores de rede (Self-ONN) e no pré-processamento, o modelo oferece uma ferramenta robusta para auxiliar clínicos no diagnóstico e planejamento de tratamento da DAC.

Limitações e Futuro:
O estudo reconhece que a validação foi feita apenas em dados internos (sem validação externa em outros hospitais) e que o pré-processamento é baseado em heurísticas. Trabalhos futuros visam validar em conjuntos de dados multicêntricos, incorporar modelagem temporal (vídeo) e substituir o refinamento heurístico por módulos aprendíveis adaptativos.

Em suma, o CASR-Net demonstra que a combinação de técnicas avançadas de processamento de imagem com arquiteturas de redes neurais não lineares adaptáveis pode superar as limitações atuais na análise de imagens angiográficas complexas.