zea: A Toolbox for Cognitive Ultrasound Imaging

Resumo Técnico: zea: Uma Caixa de Ferramentas para Imagem Ultrassônica Cognitiva

Declaração do Problema
A imagem ultrassônica é uma modalidade médica ubíqua, não invasiva e custo-efetiva, mas enfrenta desafios persistentes relacionados à qualidade da imagem e à interpretação. Os pipelines de processamento tradicionais dependem de suposições ingênuas durante as etapas de processamento de sinal — como filtragem, formação de feixe e reconstrução — que não levam em conta a natureza complexa dos sinais ultrassônicos. Além disso, os fluxos de trabalho atuais tipicamente tratam a aquisição (ação) e a reconstrução (percepção) como processos desconexos. O paradigma emergente da imagem ultrassônica cognitiva busca fechar esse ciclo ação-percepção ajustando dinamicamente os parâmetros de aquisição com base em observações em tempo real. No entanto, realizar esse paradigma exige lidar com dados de alta dimensão e resolver problemas inversos complexos utilizando poderosos modelos generativos profundos. As soluções de software existentes (por exemplo, Field II, k-Wave, USTB, MUST) são bem adequadas para simulação e reconstrução padrão, mas carecem da flexibilidade, diferenciabilidade e integração com aprendizado profundo necessárias para fluxos de trabalho cognitivos e de malha fechada.

Metodologia e Arquitetura
Para abordar essas limitações, os autores apresentam o zea, um pacote Python projetado como um pipeline flexível, modular e diferenciável para imagem ultrassônica cognitiva. A caixa de ferramentas é construída sobre o Keras 3, permitindo compatibilidade com backends TensorFlow, PyTorch e JAX, o que facilita a integração perfeita de modelos de aprendizado profundo personalizados no pipeline de reconstrução.

A arquitetura do zea é organizada em quatro componentes principais:

1. Gerenciamento de Dados: O pacote utiliza arquivos HDF5 para armazenar dados brutos e parâmetros de aquisição juntos. Ele fornece classes (zea.File, zea.Dataset, zea.Dataloader) otimizadas para fluxos de trabalho de aprendizado de máquina, incluindo agrupamento (batching), embaralhamento, cache e pré-processamento. Suporta scripts de conversão para conjuntos de dados padrão como CAMUS, PICMUS e EchoNet.
2. Pipeline: Uma classe sem estado e modular (zea.Pipeline) permite que os usuários definam sequências de operações (zea.Operation). Crucialmente, o pipeline suporta compilação Just-in-Time (JIT), permitindo o ajuste dinâmico de parâmetros e a integração em tempo real de modelos de aprendizado profundo dentro do loop de reconstrução.
3. Modelos: O zea inclui uma coleção de modelos pré-definidos para processamento de imagem e sinal, acessíveis localmente ou via Hugging Face Hub. Além de modelos supervisionados, oferece modelos generativos (profundos) projetados para resolver problemas inversos dentro de um framework de aprendizado de máquina probabilístico.
4. Agentes: Este módulo contém ferramentas para interagir com o pipeline e os modelos, permitindo a alteração de parâmetros do pipeline ou a seleção de subconjuntos de dados adquiridos. O módulo de agentes é especificamente projetado para fechar o ciclo ação-percepção, unindo as fases de aquisição e reconstrução.

Contribuições Principais

• Um Pipeline Cognitivo Diferenciável: Diferentemente de caixas de ferramentas tradicionais, o zea fornece um pipeline totalmente diferenciável que suporta ajuste dinâmico de parâmetros, um pré-requisito para a ultrassonografia cognitiva, onde estratégias de aquisição devem se adaptar às observações atuais.
• Integração de Modelos Generativos: A caixa de ferramentas suporta explicitamente modelos generativos profundos para aprender a distribuição estruturada dos sinais ultrassônicos, abordando a natureza de alta dimensão dos dados e os desafios dos problemas inversos.
• Modularidade e Interoperabilidade: Ao aproveitar o Keras 3, a caixa de ferramentas oferece uma interface de alto nível que permite aos pesquisadores integrar pipelines personalizados em fluxos de trabalho mais amplos de aprendizado de máquina, mantendo a compatibilidade com os principais frameworks de aprendizado profundo.
• Ecossistema de Código Aberto: O pacote é de código aberto (Licença Apache 2.0), disponível via PyPI e GitHub, e inclui 20 notebooks de exemplo cobrindo vários componentes. É suportado por um pipeline de integração contínua (GitHub Actions) para testes, linting e documentação.

Resultados e Validação
O artigo não apresenta um único resultado experimental novo ou uma comparação específica de benchmark contra outras ferramentas neste texto. Em vez disso, a validação da caixa de ferramentas é demonstrada através de sua adoção e contribuição pela comunidade de pesquisa. Os autores observam que o zea já foi utilizado e contribuído em várias obras recentes (por exemplo, Luijten et al., 2020; Schaft et al., 2025; Stevens et al., 2024; Nolan et al., 2025; Federici et al., 2025). Essas obras citadas utilizam o zea para tarefas que vão desde a formação de feixe adaptativa e inferência ativa para controle de feixe de transmissão em malha fechada até a remoção de neblina em ultrassom usando modelos de difusão e reconstrução 3D de alta taxa de volume.

Significado e Alegações
Os autores posicionam o zea como uma ferramenta complementar ao software ultrassônico existente, visando especificamente a lacuna na imagem ultrassônica cognitiva. O artigo afirma que, embora a realização plena da ultrassonografia cognitiva seja um esforço em andamento, esta caixa de ferramentas fornece a infraestrutura necessária para estimular pesquisas e desenvolvimentos futuros no campo. Ao oferecer uma biblioteca modular e extensível que suporta fluxos de trabalho de malha fechada e integração perfeita com modelos de aprendizado de máquina de última geração, o zea visa facilitar o redesenho dos pipelines atuais de imagem ultrassônica, onde os parâmetros são alterados dinamicamente com base em observações passadas e atuais. O significado reside em permitir a transição de processamento estático e desconexo para sistemas cognitivos dinâmicos e de malha fechada.