Depth to Anatomy: Organ Localization from Depth Images for Automated Patient Table Positioning in Radiology Workflow

Resumo Técnico: Profundidade para Anatomia

Definição do Problema
Na radiologia clínica, a fase de preparação e planejamento do exame é um gargalo significativo, consumindo uma média de 5,7 minutos (11% do tempo total do exame). Este processo depende fortemente do posicionamento manual do paciente por tecnólogos de radiologia, que utilizam marcos externos e guias a laser para aproximar a região de interesse, seguido de imagens de scout de baixa resolução para verificar o alinhamento. Este fluxo de trabalho manual é dependente do operador, consome muito tempo e é propenso à variabilidade, o que pode levar a posicionamentos inconsistentes, repetição de exames e redução do rendimento do scanner. Embora existam sistemas automatizados de posicionamento de pacientes, eles geralmente dependem da detecção de marcos externos ou não inferem explicitamente as localizações 3D e as formas da anatomia interna. Há uma necessidade de um sistema que possa localizar órgãos internos com precisão diretamente a partir de dados da superfície externa do corpo para automatizar o posicionamento da mesa sem depender de exames de scout iterativos.

Metodologia
Os autores propõem um framework baseado em aprendizado, o Pix2Vox, que prevê localizações e formas volumétricas de órgãos em 3D diretamente de uma única imagem de profundidade anterior 2D da superfície do corpo.

• Geração de Dados: O modelo é treinado em um conjunto de dados de 10.020 exames de RM de corpo inteiro da Coorte Nacional Alemã (NAKO). Como imagens de profundidade pareadas e segmentações de órgãos não estão nativamente disponíveis, os autores desenvolveram um pipeline determinístico para sintetizar dados de treinamento:
  • Síntese de Profundidade: Os volumes de RM são processados para gerar projeções de profundidade ortográficas top-down (de cima para baixo) simulando um sensor montado acima da mesa do scanner.
  • Extração de Verdade Fundamental (Ground Truth): A ferramenta TotalSegmentatorMRI é utilizada para gerar máscaras 3D de 56 estruturas anatômicas. Estas são refinadas via operações morfológicas e análise de componentes conectados, resultando em um conjunto final de 41 estruturas alvo (incluindo ossos e tecidos moles).
  • Redução do Gap de Domínio: Para simular condições do mundo real (ex: aventais hospitalares, cobertores), um pipeline de aumento estocástico adiciona dobras e protuberâncias simuladas aos mapas de profundidade sintéticos.
• Arquitetura da Rede: O núcleo do método é uma rede neural convolucional híbrida 2D-para-3D.
  • Encoder: Um encoder U-Net 2D padrão processa a imagem de profundidade de entrada para extrair características espaciais.
  • Conversão 2D-para-3D: Camadas customizadas fazem a ponte entre a diferença dimensional. No bottleneck e nas conexões de salto (skip connections), os mapas de características 2D são expandidos ao longo de um novo eixo de características e processados por convoluções 3D para criar representações volumétricas.
  • Decoder: Um decoder U-Net 3D reconstrói as máscaras de segmentação volumétrica total para os 41 órgãos alvo.
• Treinamento: O modelo é treinado usando uma perda combinada de Dice e cross-entropy binária com aumentos de dados (deslocamentos, escala, rotações). O pós-processamento via análise de componentes conectados remove predições espúrias.

Principais Contribuições

1. Arquitetura Híbrida: Introdução de uma arquitetura Pix2Vox que realiza inferência direta end-to-end de uma única imagem de profundidade 2D para segmentações de órgãos volumétricas 3D, contornando o ajuste de modelos corporais intermediários ou reconstrução geométrica explícita.
2. Dataset de Grande Escala: Criação e utilização de um conjunto de dados compreendendo 10.020 pares sintéticos de profundidade-anatomia derivados de diversas RM, permitindo a modelagem robusta da variabilidade anatômica.
3. Generalização: Demonstração de que um modelo treinado puramente em dados sintéticos generaliza para imagens de profundidade do mundo real adquiridas de voluntários em um scanner de RM, incluindo cenários com vestimentas.

Resultos
O modelo foi avaliado em um conjunto de teste retido de 9-98 amostras e comparado contra um "Modelo Médio" (prior espacial) e um "CNN 2.5D" (baseline de projeção multiplanar).

• Precisão de Localização: O modelo Pix2Vox alcançou um desvio de detecção absoluto médio (DOE) de 10,99 ± 5,54 mm para caixas delimitadoras (bounding boxes) de órgãos. Superou significativamente o modelo médio na localização coronal (ex: reduzindo o erro da fronteira direita de ~19,86 mm para 7,87 mm). Embora a CNN 2.5D tenha mostrado precisão lateral superior, o Pix2Vox proporcionou uma localização 3D mais equilibrada, particularmente no eixo anterior-posterior, onde o método 2.5D teve dificuldades.
• Fidelidade de Segmentação: O modelo alcançou um Coeficiente de Similaridade de Dice (DSC) médio de 0,44 ± 0,2 (0,48 ± 0,20 na seção de resultados) entre todas as estruturas. O desempenho variou conforme o tamanho do órgão e correlação de superfície:
  • Alto desempenho: Pulmões (0,78), Fígado (0,71), Fêmur (0,62).
  • Baixo desempenho: Glândula tireoide (0,24), Traqueia (0,32).
• Distância de Superfície: A Distância de Superfície Simétrica Média (ASSD) foi de 7,69 ± 5,68 mm (8,34 ± 8,11 mm na seção de resultados).
• Avaliação de Mundo Real: Testes qualitativos em imagens de profundidade reais do Kinect v2 mostraram que o modelo consegue reconstruir estruturas internas espacialmente consistentes. No entanto, os autores notaram artefatos específicos, como estreitamentos em regiões femorais e artefatos de pico em segmentações pulmonares, atribuídos à sensibilidade da curvatura da superfície e ruído do sensor.

Significância e Alegações
O artigo afirma que a localização de órgãos baseada apenas em profundidade é tecnicamente viável para apoiar fluxos de trabalho de posicionamento automatizado de pacientes em radiologia. Ao alcançar um desvio de detecção absoluto dentro do limiar clinicamente relevante de 10–20 mm, o método proposto pode potencialmente:

• Reduzir o tempo de configuração minimizando ajustes manuais da mesa.
• Diminuir a dependência de imagens de scout para planejamento geométrico.
• Minimizar a variabilidade entre operadores.
• Melhorar o conforto do paciente e o rendimento do scanner.

Os autores enfatizam que, embora o método ainda não resolva perfeitamente as fronteiras detalhadas de tecidos com baixa correlação de superfície, ele fornece informações espaciais suficientes para centralizar a anatomia alvo dentro do isocentro de imagem do scanner. O código e os modelos pré-treinados foram disponibilizados publicamente para apoiar a reprodutibilidade.