Fighting MRI Anisotropy: Learning Multiple Cardiac Shapes From a Single Implicit Neural Representation

Resumo Técnico: Combate à Anisotropia de Ressonância Magnética Cardíaca via Representação Neural Implícita

1. O Problema

A Ressonância Magnética Cardiovascular (CMRI) é uma modalidade essencial para avaliar a morfologia e função cardíaca. No entanto, as imagens de curto eixo (SAX) apresentam anisotropia espacial significativa: possuem alta resolução no plano (in-plane), mas baixa resolução através do plano (through-plane), com espessura de fatias grande (8-20 mm).

• Consequências: Isso resulta em segmentações que são espacialmente anisotrópicas, com fatias desalinhadas e representações incompletas da anatomia cardíaca real.
• Limitação Atual: Métodos existentes de reconstrução de superfície ou super-resolução frequentemente dependem de segmentações de CMRI de alta resolução (raras na prática clínica) ou são limitados a reconstruir apenas uma estrutura anatômica de cada vez (ex: apenas o ventrículo esquerdo).

2. Metodologia Proposta

Os autores propõem uma abordagem baseada em Funções Neurais Implícitas (INR) treinadas com dados de Angiografia por Tomografia Computadorizada (CTA), que possui alta resolução isotrópica e cobertura completa do coração.

• Abordagem Principal: Em vez de aprender uma função para cada estrutura separadamente, o modelo utiliza uma única rede neural (auto-decodificador) para representar simultaneamente múltiplas estruturas cardíacas:
  • Sangue do Ventrículo Esquerdo (LVBP).
  • Miocárdio (MYO) – modelando simultaneamente as superfícies endocárdica e epicárdica.
  • Ventrículo Direito (RV).
• Representação Matemática: Cada forma é representada como o nível zero (iso-superfície) de uma Função de Distância Assinada (SDF) parametrizada por aprendizado profundo. A função $f_\theta(\vec{x}, \vec{z}_P)$ mapeia coordenadas 3D ($\vec{x}$) e um vetor latente multi-forma ($\vec{z}_P$) para distâncias assinadas às superfícies do MYO e RV.
• Treinamento e Dados:
  • Dados de Treino: 153 exames de CTA (alta resolução) do Amsterdam UMC. As segmentações foram geradas automaticamente (TotalSegmentator).
  • Dados de Teste: 140 exames de CMRI (baixa resolução) com imagens SAX e 4 câmaras (4CH).
  • Pré-processamento: Os pontos são normalizados e transformados para um sistema de coordenadas compartilhado (baseado nos centros de massa do RV, LV e LA) para focar em características de forma e não em orientação.
  • Função de Perda: Uma versão simplificada da perda de DeepSDF, utilizando Erro Quadrático Médio (MSE) entre as distâncias assinadas preditas e de referência, com regularização L2 no vetor latente. Termos complexos (como tangente hiperbólica) foram removidos para acelerar o treinamento.
• Inferência:
  1. Para um novo paciente (CMRI), extrai-se uma nuvem de pontos esparsa das segmentações SAX/4CH.
  2. O vetor latente $\vec{z}_P$ é otimizado para minimizar a diferença entre a SDF predita e a SDF de referência dos pontos de entrada (mantendo os pesos da rede fixos).
  3. As superfícies 3D completas são extraídas usando o algoritmo Marching Cubes a partir da SDF decodificada.

3. Principais Contribuições

1. Representação Multi-Forma Unificada: Demonstração de que uma única INR pode codificar múltiplas estruturas cardíacas (LVBP, MYO, RV) em um único vetor latente, capturando dependências espaciais (ex: parede septal).
2. Aprendizado de Prior de Forma via CTA: Uso de dados de CTA de alta resolução para aprender um "prior" de forma robusto, permitindo a reconstrução de formas de alta resolução a partir de dados de CMRI anisotrópicos e esparsos.
3. Eficiência e Generalização:
   • O modelo foi treinado com 3 vezes menos dados (100 pacientes vs. 341 em trabalhos anteriores) e em menos tempo (1h40 vs. 6h), mantendo a capacidade de generalização.
   • Simplificação da função de perda sem perda de desempenho.
4. Reconstrução de Alta Resolução: Geração de formas 3D suaves e anatomicamente plausíveis a partir de fatias espessas de CMRI, preenchendo lacunas entre as fatias.

4. Resultados

A avaliação foi realizada comparando as segmentações de 4 câmaras (4CH) extraídas das formas reconstruídas com as máscaras de referência de CMRI.

• Métricas de Desempenho (CMRI vs. Reconstruído):
  • Ventrículo Direito (RV): Coeficiente de Similaridade de Dice (DSC) de 0.91 ± 0.07 e Distância de Hausdorff de 6.21 ± 3.97 mm.
  • Miocárdio (MYO): DSC de 0.75 ± 0.13 e Distância de Hausdorff de 7.53 ± 5.13 mm.
  • Comparação: O método proposto superou significativamente as segmentações diretas extraídas das imagens SAX de baixa resolução (que apresentaram DSC de 0.81 para RV e 0.57 para MYO).
• Validação da Generalização (CTA):
  • Ao simular nuvens de pontos anisotrópicas (estilo SAX) a partir de dados de CTA, o modelo manteve alta precisão na reconstrução, com volumes diastólicos finais muito próximos aos de referência (diferença < 2 mL).
  • Isso confirma que o espaço latente aprendido captura a distribuição de formas cardíacas de forma robusta, independentemente da densidade de amostragem de entrada.
• Qualidade Visual: As reconstruções mostraram superfícies suaves, alinhamento correto na parede septal e preenchimento adequado de lacunas entre fatias, superando a anisotropia e o desalinhamento típicos da CMRI.

5. Significado e Conclusão

Este trabalho oferece uma solução viável para um dos maiores gargalos na análise de formas cardíacas: a baixa resolução através do plano da CMRI.

• Impacto Clínico: Ao permitir a reconstrução de modelos 3D precisos e suaves a partir de exames de rotina (CMRI), a metodologia facilita a extração de medidas morfológicas e funcionais mais precisas (ex: strain, fração de ejeção) e melhora o planejamento de intervenções.
• Inovação Técnica: A capacidade de aprender múltiplas formas interconectadas em um único modelo, utilizando dados de uma modalidade diferente (CTA) como prior, representa um avanço no estado da arte de reconstrução de formas médicas.
• Futuro: Os autores planejam melhorar a cobertura em regiões com poucos dados (ápice e base) incorporando vistas de eixos longos adicionais (2C e 3C) e estender o método para reconstruir a anatomia ao longo de todo o ciclo cardíaco.

O código do projeto está disponível publicamente, promovendo a reprodutibilidade e o avanço na pesquisa de imagem cardíaca.