HARU-Net: Hybrid Attention Residual U-Net for Edge-Preserving Denoising in Cone-Beam Computed Tomography

Este artigo apresenta o HARU-Net, uma nova arquitetura de rede neural baseada em atenção híbrida e blocos residuais que supera os métodos atuais na remoção de ruído de imagens de tomografia computadorizada de feixe cônico (CBCT) de baixa dose, preservando bordas anatômicas com alta fidelidade e menor custo computacional.

O essencial

Imagine que você está tentando ver os detalhes finos de um mapa antigo e valioso, mas ele foi coberto por uma camada grossa de neve e sujeira. É assim que funcionam as imagens de Tomografia Computadorizada de Feixe Cônico (CBCT), usadas por dentistas e especialistas em ouvido, nariz e garganta.

Para proteger o paciente da radiação, os médicos usam uma "dose baixa" de raios-X. O problema? Essa dose baixa deixa a imagem com muito "ruído" (aquela granulação parecida com a de uma TV antiga), o que esconde detalhes importantes, como pequenas fraturas ou o formato dos canais dentários.

Aqui entra o HARU-Net, a "estrela" deste artigo. Vamos explicar como ele funciona usando analogias do dia a dia:

1. O Problema: A Neve na Janela

Pense na imagem do CBCT como uma janela suja. Você precisa ver o que está lá fora (a anatomia do paciente), mas a sujeira (o ruído) atrapalha.

• Métodos antigos: Tentavam limpar a janela esfregando com um pano, mas acabavam apagando também os desenhos delicados feitos na vidraça (as bordas dos ossos).
• Inteligência Artificial (IA): É como ter um robô limpador super inteligente. Mas, para ele aprender a limpar sem estragar o desenho, ele precisa de exemplos: uma foto da janela suja e outra da mesma janela limpa. O problema é que, na medicina, é difícil (e antiético) tirar duas fotos da mesma pessoa (uma com radiação alta e outra baixa) só para treinar o robô.

2. A Solução Criativa: O "Laboratório de Cadáveres"

Como não podiam usar pacientes vivos para criar esses pares de fotos, os pesquisadores usaram mandíbulas de cadáveres.

• Eles tiraram fotos de alta qualidade (sem sujeira, com radiação alta).
• Depois, usaram um computador para "sujeirar" essas fotos artificialmente, criando o par perfeito: uma limpa e uma suja.
• Com isso, eles puderam treinar o robô (o HARU-Net) para aprender a diferença entre a sujeira e o desenho real.

3. O Super-Herói: O HARU-Net

O HARU-Net não é um robô comum. É uma mistura inteligente de duas tecnologias, como se fosse um carro híbrido (que usa gasolina e eletricidade).

• A Parte "Convencional" (O Motor a Gasolina): Usa blocos de convolução. Imagine que eles são como pincéis pequenos e precisos. Eles são ótimos para ver detalhes locais, como a textura de um dente ou a borda de um osso, mas às vezes perdem a visão do "quadro geral".
• A Parte "Atenção Híbrida" (O Motor Elétrico): Usa blocos de "Transformador" (como os usados em IAs modernas de texto). Imagine que eles são como olhos de águia que olham para a imagem inteira de uma vez. Eles entendem o contexto global: "Isso aqui é um osso, então aquela mancha escura ao lado provavelmente é sombra, não sujeira".

O Truque do HARU-Net:
Ele coloca esses "olhos de águia" (Atenção Híbrida) nos pontos onde a informação passa de volta do fundo para o topo da rede neural (chamados de "conexões de pulo").

• Analogia: Imagine que você está montando um quebra-cabeça. O robô comum tenta encaixar as peças apenas olhando para a peça vizinha. O HARU-Net, além de olhar para a vizinha, dá uma olhada rápida no quadro completo na caixa para ter certeza de que a peça pertence àquele lugar. Isso evita que ele confunda a sujeira com um detalhe do osso.

4. O Resultado: Limpo, Rápido e Preciso

Os pesquisadores testaram o HARU-Net contra outros robôs famosos (como o SwinIR e o Uformer).

• Qualidade: O HARU-Net foi o campeão. Ele removeu a "neve" da imagem, mas manteve os contornos dos ossos e dentes nítidos como se nunca tivessem estado sujos.
• Velocidade: Aqui está a grande vantagem. Os outros robôs eram como caminhões pesados: faziam um ótimo trabalho, mas demoravam muito e consumiam muita energia. O HARU-Net é como um carro esportivo híbrido: faz o mesmo trabalho (ou melhor), mas é muito mais rápido e consome menos energia.
  • Enquanto o SwinIR levava quase 9 minutos para processar uma imagem completa, o HARU-Net fez em cerca de 2 minutos.

Resumo em uma frase

O HARU-Net é um "detetive de imagens" que combina a precisão de um microscópio com a visão panorâmica de um satélite, conseguindo limpar as imagens dentárias de baixa radiação de forma rápida e sem apagar os detalhes importantes que o médico precisa ver para salvar vidas.

Isso significa que, no futuro, os dentistas poderão fazer exames com menos radiação (mais seguro para o paciente) e ainda assim obter imagens cristalinas para diagnósticos precisos, tudo isso sem esperar horas pelo computador processar a imagem.

Resumo técnico

1. O Problema

A Tomografia Computadorizada de Feixe Cônico (CBCT) é amplamente utilizada em odontologia e otorrinolaringologia devido à sua alta resolução espacial e doses de radiação relativamente baixas. No entanto, a necessidade de manter baixas doses de radiação para minimizar danos aos pacientes resulta em imagens com ruído significativo (ruído quântico e eletrônico).

• Desafio Principal: O ruído degrada a visibilidade de tecidos moles e obscurece estruturas anatômicas finas (como limites ósseos e pequenas lesões), comprometendo o diagnóstico.
• Limitação das Abordagens Atuais: Métodos clássicos de remoção de ruído têm dificuldade em suprimir o ruído sem borrar as bordas. Embora abordagens baseadas em Deep Learning (DL) ofereçam alta fidelidade, sua aplicação em CBCT é limitada pela escassez de dados de treinamento supervisionados. A criação de pares de imagens "ruidosas vs. limpas" requeriria escaneamentos de alta e baixa dose no mesmo paciente, o que é eticamente e clinicamente impraticável.

2. Metodologia

A. Preparação de Dados e Dataset

Para contornar a falta de dados clínicos pareados, os autores utilizaram um conjunto de dados de cadáveres (21 hemimandíbulas humanas) adquiridos com um protocolo de alta resolução (3D Accuitomo 170).

• Geração de Pares: Imagens limpas de alta dose foram adquiridas e ruído foi simulado computacionalmente para criar pares de treinamento (ruidoso/limpo). O ruído foi modelado como uma combinação de ruído quântico (distribuição Poisson/Gaussiana) e ruído eletrônico (Gaussiano).
• Pré-processamento: Foi desenvolvida uma pipeline para segmentar as regiões anatômicas do fundo (ar), utilizando:
  1. Recorte manual para excluir áreas vazias.
  2. Clustering K-Means para separar tecido do ar.
  3. Operações morfológicas (dilatação e preenchimento de buracos via hierarquia de contornos) para refinar a máscara.
  4. Extração de patches dinâmicos (256x256) exclusivamente das regiões de tecido, gerando mais de 50.000 pares de treinamento.

B. Arquitetura Proposta: HARU-Net

O HARU-Net (Hybrid Attention Residual U-Net) é uma arquitetura híbrida que combina a eficiência de CNNs (Redes Neurais Convolucionais) com o poder de modelagem global dos Transformers. A arquitetura baseia-se em um U-Net residual, mas com três componentes inovadores:

1. Blocos de Codificação/Decodificação Residuais: Utilizam convoluções 3x3 e LeakyReLU para extração robusta de características locais e fluxo estável de gradientes.
2. Blocos de Atenção Híbrida (HAB) nas Conexões de Salto (Skip Connections):
   • Integrados entre o codificador e o decodificador.
   • Combinam Atenção de Janela (baseada no Swin Transformer) para capturar padrões espaciais locais e Atenção de Canal (Squeeze-and-Excitation) para reponderar a importância dos canais de características globalmente.
   • Função: Refinar as características transmitidas, enfatizando estruturas anatômicas salientes e suprimindo ruído antes da reconstrução.
3. Grupo de Atenção Híbrida Residual (RHAG) no Bottleneck:
   • Localizado na parte mais profunda da rede.
   • Consiste em múltiplos blocos HAB em série dentro de uma configuração residual.
   • Função: Modelar dependências contextuais de longo alcance e padrões globais complexos com custo computacional adicional moderado.

3. Contribuições Chave

• Abordagem Híbrida Eficiente: Integra blocos de Transformer (HAB e RHAG) dentro de uma estrutura U-Net residual, superando as limitações de receptores locais das CNNs puras e o alto custo computacional de Transformers puros.
• Pipeline de Dados Robusta: Criação de um conjunto de dados pareado de alta qualidade a partir de cadáveres com simulação de ruído realista, resolvendo o gargalo de dados para treinamento supervisionado em CBCT.
• Preservação de Bordas: Foco explícito na preservação de detalhes de alta frequência (bordas ósseas, trabéculas) que são críticos para o diagnóstico, evitando o "borramento" comum em métodos de suavização.

4. Resultados

Os resultados foram comparados com métodos State-of-the-Art (SOTA): ResU-Net (baseline), Uformer e SwinIR, além de uma variante chamada HAT.

Métricas Quantitativas (Teste)

O HARU-Net obteve o melhor desempenho geral:

• PSNR (Relação Sinal-Ruído de Pico): 37.52 dB (Superior a todos os outros; SwinIR teve 36.12 dB).
• SSIM (Índice de Similaridade Estrutural): 0.9557 (Muito próximo do HAT, que teve 0.9569, e superior ao Uformer).
• GMSD (Desvio de Similaridade de Magnitude do Gradiente): 0.1084 (O menor valor, indicando a melhor preservação de bordas e detalhes finos).

Eficiência Computacional

• Custo de Inferência: O HARU-Net foi significativamente mais rápido e leve que os modelos baseados puramente em Transformer.
  • Tempo por varredura (512x512x512): HARU-Net levou ~1.98 minutos, comparado a 4.30 min (Uformer) e 8.85 min (SwinIR).
  • FLOPs (GMACs): 40.76 GMACs por patch, muito inferior ao HAT (349.35) e SwinIR (111.06).

Avaliação Visual

Análises visais em cortes sagitais, axiais e frontais mostraram que o HARU-Net produziu reconstruções com bordas ósseas mais nítidas e padrões trabeculares internos mais claros, sem introduzir artefatos de suavização excessiva ou inconsistências estruturais observadas em outros métodos.

5. Significado e Conclusão

O HARU-Net representa um avanço prático significativo para a imagem médica de baixa dose.

• Viabilidade Clínica: Ao oferecer a melhor qualidade de imagem com um custo computacional muito menor que os modelos Transformer puros, o HARU-Net se aproxima da viabilidade para implementação em tempo real em ambientes clínicos.
• Equilíbrio Arquitetural: O estudo demonstra que a fusão estratégica de convoluções (para eficiência local) e mecanismos de atenção híbrida (para contexto global) é superior a usar apenas uma das abordagens para tarefas complexas de denoising em CBCT.
• Limitações e Futuro: O modelo foi treinado em dados de um único fornecedor de equipamentos, o que pode limitar a generalização. Trabalhos futuros visam a adaptação para denoising volumétrico (3D), generalização multi-site e integração com aprendizado auto-supervisionado.

Em resumo, o HARU-Net oferece uma solução rápida, precisa e clinicamente viável para melhorar a qualidade diagnóstica de imagens CBCT de baixa dose, preservando detalhes anatômicos críticos essenciais para procedimentos odontológicos e de cabeça e pescoço.