Seeing Beyond the Image: ECG and Anatomical Knowledge-Guided Myocardial Scar Segmentation from Late Gadolinium-Enhanced Images

1. Problema

A segmentação precisa de cicatrizes miocárdicas a partir de Imagens de Ressonância Magnética Cardíaca com Realce Tardio (LGE-CMR) é fundamental para avaliar a viabilidade tecidual e o risco de arritmias. No entanto, a automação dessa tarefa enfrenta desafios significativos devido a:

• Baixa relação sinal-ruído e heterogeneidade no realce do contraste.
• Artefatos de movimento e variabilidade entre diferentes scanners e patologias.
• Abordagens puramente baseadas em imagem (como U-Net e nnU-Net) que lutam para generalizar devido a essas variações de contraste.

Além disso, embora os Eletrocardiogramas (ECG) forneçam informações fisiológicas complementares que podem ajudar a localizar regiões de cicatriz, a integração de ECG e LGE-CMR para análise em nível de pixel é subexplorada. Isso ocorre devido à heterogeneidade das modalidades, diferenças dimensionais e, crucialmente, à desalinhamento temporal: em contextos clínicos (como no NHS do Reino Unido), os ECGs são frequentemente adquiridos semanas ou meses antes das ressonâncias magnéticas, e mesmo gravações simultâneas sofrem com artefatos magnetohidrodinâmicos (MHD).

2. Metodologia

Os autores propõem uma arquitetura de rede neural multimodal inovadora que integra informações eletrofisiológicas (ECG) e priores anatômicos (AHA-17) para guiar a segmentação. A arquitetura possui os seguintes componentes principais:

• Arquitetura Multimodal:

  • Codificador de Imagem (MRI): Processa as imagens LGE-CMR 2D.
  • Autoencoder de ECG: Extrai características de ondas medianas de 12 derivações.
  • Fusão de Características: Em vez de fundir os dados brutos, o modelo funde mapas de características de nível médio do MRI com características projetadas do ECG.

• TAFF (Temporal Aware Feature Fusion):

  • Este é o núcleo da inovação. Como o ECG e o MRI não são adquiridos simultaneamente, o módulo TAFF utiliza uma rede de "portão" (gating network) para aprender pesos específicos para cada modalidade ($w_{MRI}$ e $w_{ECG}$).
  • O mecanismo incorpora o intervalo de tempo de aquisição ($t_{interval} = |t_{MRI} - t_{ECG}|$) como uma condição temporal.
  • Utiliza uma camada Temporal FiLM (Feature-wise Linear Modulation) que ajusta as interações das características com base na recência dos dados. Se o ECG for muito antigo ou não confiável, o modelo pode reduzir seu peso, garantindo consistência fisiológica.

• Priori Anatômica (AHA-17):

  • O modelo de 17 segmentos da American Heart Association (AHA) é utilizado como um mapa de prioridade espacial.
  • Máscaras binárias de 17 canais são concatenadas com as fatias de MRI correspondentes, fornecendo contexto anatômico e guiando o alinhamento entre as anomalias do ECG e os segmentos específicos do miocárdio.

• Função de Perda:

  • Otimização combinada com perda de segmentação (Dice + Entropia Cruzada), perda de reconstrução do sinal de ECG e uma perda de regularização baseada na entropia dos pesos do portão para evitar colapso prematuro durante o treinamento.

3. Principais Contribuições

1. Framework TAFF: Desenvolvimento de um mecanismo de fusão de características que adapta dinamicamente a integração de ECG e MRI com base na diferença de tempo de aquisição, superando o desafio da não simultaneidade.
2. Integração de Priori Anatômica: Introdução do modelo AHA-17 como um prior espacial para guiar a fusão multimodal e melhorar o alinhamento entre sinais elétricos e regiões de cicatriz.
3. Pioneirismo Multimodal: Um dos primeiros estudos a utilizar sinais de ECG para guiar a segmentação de cicatrizes baseada em MRI, conectando domínios eletrofisiológicos e estruturais para uma análise de imagem mais fundamentada fisiologicamente.

4. Resultados

O método foi avaliado em um conjunto de dados clínico privado (103 pares LGE-MRI/ECG) e comparado com uma linha de base de imagem única (nnU-Net).

• Desempenho Geral: O modelo multimodal proposto superou significativamente a linha de base.
  • Dice Score: Aumentou de 0,6149 (apenas imagem) para 0,8463.
  • Precisão: 0,9115.
  • Sensibilidade: 0,9043.
• Estudo de Ablação:
  • A fusão direta de MRI e ECG sem o prior anatômico e sem a condição temporal resultou em desempenho inferior (Dice 0,5916), até pior que a linha de base de imagem única, demonstrando a dificuldade de encontrar correspondência espacial sem guias.
  • A adição do prior AHA-17 elevou o Dice para 0,8234.
  • A adição da condicionamento temporal (TAFF) trouxe o ganho final, elevando o Dice para 0,8463.
• Análise Temporal: O modelo com condicionamento temporal mostrou ganhos mais pronunciados em casos com intervalos de tempo maiores (ex: 3 semanas a 1 mês), indicando robustez a lacunas temporais significativas.
• Visualização: As visualizações mostraram que o modelo multimodal captura melhor a magnitude e a distribuição espacial das cicatrizes, especialmente em regiões subtis, e os mapas de atenção do ECG focaram em biomarcadores clinicamente relevantes (ondas Q, QRS, segmentos ST-T anormais).

5. Significado e Conclusão

Este trabalho demonstra que integrar conhecimento fisiológico (ECG) e anatômico (AHA-17) permite que o modelo "veja além da imagem", superando as limitações de variabilidade de contraste e artefatos nas imagens de ressonância magnética.

A principal inovação reside na capacidade de lidar com dados clínicos do mundo real, onde exames multimodais raramente são realizados simultaneamente. Ao introduzir o mecanismo TAFF, os autores resolveram o problema do desalinhamento temporal, permitindo que a rede aprenda a ponderar a utilidade do ECG com base na sua proximidade temporal com o MRI.

Os resultados estabelecem uma nova direção para a segmentação de cicatrizes cardíacas, tornando-a mais robusta e fisiologicamente fundamentada, com potencial impacto direto na tomada de decisões clínicas e no planejamento de tratamentos para pacientes com infarto do miocárdio. O código do projeto foi disponibilizado publicamente.