KidMesh: Computational Mesh Reconstruction for Pediatric Congenital Hydronephrosis Using Deep Neural Networks

Título: KidMesh: Reconstrução de Malha Computacional para Hidronefrose Congênita Pediátrica Usando Redes Neurais Profundas

1. Problema e Motivação

A hidronefrose congênita (CH) é um distúrbio comum do trato urinário em crianças, causado principalmente por obstrução na junção ureteropélvica. O diagnóstico e prognóstico dependem frequentemente de Urografia por Ressonância Magnética (MRU).

• Limitação Atual: Os métodos existentes de segmentação baseados em voxels (como U-Net) conseguem extrair regiões de CH, mas geram representações volumétricas. Para realizar simulações de dinâmica de fluidos computacional (CFD) e obter informações urodinâmicas (fluxo de urina, pressão), é necessário converter essas máscaras em malhas superficiais.
• Desafios da Conversão: A conversão tradicional (ex: algoritmo Marching Cubes) introduz artefatos de "escada" (staircase artifacts) devido ao espaçamento amostral esparsa das imagens médicas, resultando em malhas de baixa qualidade geométrica. Além disso, a correção topológica e o alisamento pós-processamento são demorados, não garantem precisão anatômica e exigem intervenção manual, o que inviabiliza o uso clínico rotineiro.
• Necessidade: Existe uma lacuna na obtenção direta de malhas computacionais "prontas para simulação" (watertight e topologicamente consistentes) a partir de imagens MRU, sem etapas complexas de pós-processamento.

2. Metodologia: KidMesh

O KidMesh é um framework de aprendizado profundo end-to-end baseado em reconstrução explícita. Ele mapeia diretamente imagens MRU para malhas de superfície, integrando extração de características e deformação de malha.

Arquitetura do Modelo

O sistema consiste em três módulos principais:

1. Módulo de Extração de Características (FEM):
   • Baseado em uma arquitetura 3D U-Net.
   • Extrai mapas de características hierárquicas das imagens MRU.
   • Utiliza supervisão profunda para gerar máscaras binárias de segmentação, garantindo que a rede aprenda características sensíveis às bordas da hidronefrose.
2. Módulo de Amostragem de Características (FSM):
   • Atua como ponte entre o espaço de voxels e o espaço de vértices da malha.
   • Realiza amostragem em grade (grid sampling) para projetar características volumétricas nos vértices da malha.
   • Utiliza uma estratégia de coarse-to-fine (de grosso a fino) com um mecanismo de auto-atenção para agregar informações locais e globais, garantindo consistência topológica e suavidade geométrica.
3. Módulo de Deformação de Malha (MDM):
   • Começa com uma malha template (esférica/ovóide renal) e a deforma progressivamente para corresponder à anatomia do paciente.
   • Estratégia de Upsampling Dinâmico (VU): Aumenta a resolução da malha em etapas.
   • Filtro de Vértices (VF): Remove vértices que não contribuem ou contribuem negativamente para a reconstrução, mantendo a estabilidade geométrica e evitando auto-interseções.

Estratégia de Treinamento (Supervisão Fraca)

• Desafio: A obtenção de anotações de malha de nível de vértice ("ground truth") é extremamente difícil e cara na prática clínica.
• Solução: O KidMesh utiliza uma estratégia de supervisão fraca. Ele treina usando "malhas pseudo-ouro" geradas automaticamente a partir de máscaras de segmentação manuais (feitas por radiologistas) via algoritmo Marching Cubes.
• Vantagem: O modelo aprende a corrigir os artefatos de escada inerentes às malhas pseudo-ouro, gerando superfícies suaves e watertight sem necessidade de anotação manual de vértices.

Função de Perda (Loss Function)

O treinamento é otimizado por uma função de perda híbrida:

• Perda de Extração: Combina Dice Loss e Cross-Entropy para a segmentação de máscaras.
• Perda de Reconstrução: Inclui:
  • Chamfer Loss: Para alinhamento geométrico global.
  • Laplacian, Edge Length, Area Loss: Para garantir suavidade e uniformidade da malha.
  • Normal Loss: Para alinhamento de direções de superfície.
  • Seal Loss: Um termo regularizador diferenciável para garantir que a malha permaneça fechada (watertight) e livre de auto-interseções durante a deformação.

3. Contribuições Principais

1. Primeiro Framework End-to-End para CH: Introdução do KidMesh, o primeiro método capaz de gerar malhas de simulação prontas diretamente de imagens MRU de hidronefrose pediátrica.
2. Pipeline Coarse-to-Fine com Upsampling Dinâmico: Proposição de um módulo de Vertex Upsampling (VU) que adapta a resolução da malha para capturar tanto estruturas em larga escala quanto detalhes anatômicos finos (como cálices renais).
3. Supervisão Fraca Viável: Desenvolvimento de uma estratégia que elimina a necessidade de anotações manuais de malha, tornando o método clinicamente viável ao aprender a partir de máscaras volumétricas.
4. Validação Urodinâmica: Demonstração de que as malhas reconstruídas são topologicamente corretas e podem ser usadas diretamente em simulações de CFD, fornecendo dados funcionais precisos.

4. Resultados Experimentais

O modelo foi testado em um conjunto de dados de 160 pacientes pediátricos (MRU pré e pós-operatório).

• Desempenho de Reconstrução:
  • Velocidade: Reconstrução média de 0,36 segundos por caso (vs. ~86 segundos para métodos baseados em voxels + pós-processamento).
  • Precisão Geométrica: Alcançou um escore Dice de 0,86 (após rasterização) e distâncias de superfície (ASSD/HD) competitivas em comparação com métodos baseados em voxels (como nnU-Net) e métodos explícitos de última geração (MeshDeformNet).
  • Qualidade da Malha: As malhas geradas não apresentaram auto-interseções. Apenas 3,7% dos vértices tiveram erros de distância superiores a 3,2 mm.
• Comparação com Baselines:
  • Superou métodos baseados em voxels (FCN, SCU, RES50) na qualidade da malha final, eliminando artefatos de escada.
  • Superou o MeshDeformNet em métricas de estabilidade topológica e precisão geométrica específica para rins.
• Simulação Urodinâmica (CFD):
  • As malhas do KidMesh foram usadas diretamente em simulações de fluxo de urina.
  • Os resultados de velocidade e pressão mostraram alta concordância quantitativa (< 3,6% de diferença na velocidade média) com simulações baseadas em malhas de referência manual.
  • A simulação permitiu avaliar a eficácia cirúrgica, mostrando redução na pressão na pelve renal pós-operatória e alterações na tensão de cisalhamento na parede.

5. Significado e Impacto

O KidMesh representa um avanço significativo na interseção entre inteligência artificial e medicina translacional:

• Viabilidade Clínica: Ao remover a necessidade de correção manual de malhas e reduzir o tempo de processamento de minutos para frações de segundo, o método torna a análise urodinâmica acessível para uso clínico rotineiro.
• Personalização: Permite a criação de modelos 3D específicos para o paciente, essenciais para planejar cirurgias e prever resultados funcionais em casos complexos de hidronefrose.
• Generalização para Outros Órgãos: A abordagem de reconstrução explícita com supervisão fraca e regularização topológica pode ser adaptada para outros órgãos ocos (como coração e bexiga), onde simulações de fluxo são críticas.

Em resumo, o KidMesh preenche a lacuna entre a imagem médica volumétrica e a simulação física, fornecendo uma ferramenta robusta para a análise funcional da hidronefrose congênita pediátrica.