Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation

Resumo Técnico: Modelos Surrogados de Mecânica Cardíaca Informados por Forma em Regimes com Escassez de Dados

1. Problema e Motivação

Os modelos computacionais de alta fidelidade da mecânica cardíaca oferecem insights mecanísticos valiosos sobre a função do coração, mas são computacionalmente proibitivos para uso clínico de rotina devido ao custo de resolução de equações diferenciais parciais (EDPs) não lineares.

• Desafio Principal: Modelos surrogate (substitutos) baseados em dados podem acelerar simulações, mas enfrentam dificuldades significativas de generalização entre diferentes anatomias (formas), especialmente em cenários de escassez de dados (comuns em aplicações biomédicas onde simulações de alta fidelidade são caras e dados de pacientes são limitados).
• Limitação Atual: Modelos treinados em uma única geometria não generalizam para coortes com formas variadas. Abordagens existentes que tentam codificar a variabilidade geométrica (como mapeamentos difeomórficos ou coordenadas universais) muitas vezes exigem dados estruturados (malhas) ou correspondência ponto-a-ponto, limitando sua aplicabilidade a dados não estruturados (nuvens de pontos).

2. Metodologia Proposta

Os autores propõem um framework de duas etapas que desacopla a representação geométrica da aprendizagem da resposta física, permitindo a criação de modelos surrogate informados pela forma mesmo com poucos dados reais.

Etapa 1: Modelagem de Forma (Shape Modeling)
O objetivo é aprender uma representação latente compacta das geometrias do ventrículo esquerdo (VE) e gerar dados sintéticos para aumento. São comparadas duas estratégias de codificação geométrica:

1. PCA-SM (Baseada em PCA): Utiliza Correspondência Ponto-a-Ponto via Coordenadas Ventriculares Universais (UVCs) para projetar deformações de forma em um espaço latente linear.
2. SDF-SM (Baseada em DeepSDF): Utiliza uma arquitetura de autodecoder para aprender uma representação implícita da função de distância sinalizada (SDF) diretamente de nuvens de pontos.
   • Geração de Dados: O SDF-SM é usado como um modelo generativo. Amostras do espaço latente (distribuição posterior) são usadas para gerar novas geometrias sintéticas realistas, que são então usadas para aumentar o conjunto de dados de treinamento.

Etapa 2: Modelo Surrogate de Física (Physics Surrogate)
Um modelo de rede neural baseado em campos (Neural Field) é treinado para prever o campo de deslocamento ventricular sob carregamento diastólico.

• Arquitetura: Utiliza USM-Nets (Universal Solution Manifold Networks).
• Codificação de Entrada: A rede recebe coordenadas cartesianas, UVCs (para posicionamento) e o código de forma latente ($\mu_g$) aprendido na Etapa 1.
• Função de Perda: Inclui erro quadrático médio (MSE) do deslocamento e, opcionalmente, regularização baseada em tensões (strains) para melhorar a precisão física.

3. Contribuições Chave

• Desacoplamento Geometria-Física: A separação entre o modelo de forma e o modelo de física permite que o modelo de forma aprenda a distribuição de anatomias e gere dados sintéticos, compensando a escassez de dados reais sem necessidade de novas simulações de alta fidelidade para cada nova geometria sintética.
• Codificação Geométrica Flexível: Comparação sistemática entre abordagens lineares (PCA) e não lineares/implícitas (DeepSDF) para codificar variabilidade de forma a partir de nuvens de pontos.
• Aumento de Dados Generativo: Demonstração de que um modelo de forma bem treinado pode ser usado em modo generativo para enriquecer o domínio físico observado, melhorando drasticamente a generalização do modelo surrogate.
• Robustez: O framework demonstra robustez a ruídos e amostragem esparsa nos dados de entrada (nuvens de pontos).

4. Resultados Principais

Os métodos foram validados em dois conjuntos de dados: um conjunto idealizado (512 elipsoides) e dados reais de pacientes (44 ventrículos: 24 com insuficiência cardíaca e 20 saudáveis).

• Reconstrução de Forma:

  • O SDF-SM mostrou-se robusto a ruído e amostragem esparsa. A qualidade da reconstrução degrada com o ruído, mas melhora com o aumento do número de pontos amostrados, graças a um mecanismo de regularização adaptativa (inferência probabilística).
  • O PCA-SM performou ligeiramente melhor em cenários de baixo ruído e poucos pontos, mas foi menos resiliente a altos níveis de ruído em comparação ao SDF-SM.
  • O SDF-SM conseguiu gerar geometrias sintéticas realistas (976 de 1000 amostras foram válidas) para aumento de dados.

• Desempenho do Modelo Surrogate:

  • Impacto da Codificação de Forma: A adição de códigos de forma (seja PCA ou SDF) aos dados de entrada reduziu o erro RMSE em aproximadamente 70-80% em comparação com o uso apenas de coordenadas e UVCs.
  • Efeito do Aumento de Dados: Treinar apenas com os 44 dados reais resultou em overfitting severo (erro de validação/teste alto). Ao usar o conjunto aumentado (44 reais + 976 sintéticos), o erro de generalização para pacientes não vistos caiu drasticamente (ex: de ~6.7% para ~2.4% no caso do SDF-SM).
  • Comparação PCA vs. SDF:
    • No cenário idealizado, o DeepSDF teve erro ligeiramente menor (0.62% vs 0.73%).
    • No cenário de geometrias reais, o PCA teve desempenho ligeiramente superior (1.82% vs 2.39%), embora ambos fossem adequados.
  • Informação de Tensão (Strain): A inclusão de tensões na função de perda melhorou a precisão em ~9.5%, mas aumentou o custo computacional em 5x.

5. Significado e Conclusão

Este trabalho estabelece um novo paradigma para a criação de modelos surrogate em mecânica cardíaca em regimes de dados escassos. A principal descoberta é que não é necessário coletar novas simulações de alta fidelidade para cada nova geometria sintética. Em vez disso, um modelo de forma pode aprender a distribuição de anatomias a partir de poucos dados reais e gerar um domínio físico sintético rico para treinar o modelo de física.

• Impacto Clínico: O framework permite a criação de modelos preditivos rápidos e generalizáveis para diferentes pacientes, superando a barreira da variabilidade anatômica e da escassez de dados, um passo crucial para a tradução clínica de simulações cardíacas personalizadas.
• Flexibilidade: A abordagem baseada em DeepSDF oferece uma alternativa mais flexível que o PCA, pois não requer correspondência ponto-a-ponto (malhas estruturadas), sendo aplicável a dados de imagem brutos (nuvens de pontos).

Em resumo, a combinação de codificação geométrica profunda e aumento de dados generativo resolve o problema de generalização em modelos de física informados por dados, tornando-os viáveis para aplicações biomédicas onde os dados são limitados.