Leveraging a Statistical Shape Model for Efficient Generation of Annotated Training Data: A Case Study on Liver Landmarks Segmentation

Título: Aproveitamento de um Modelo Estatístico de Forma para Geração Eficiente de Dados de Treinamento Anotados: Um Estudo de Caso na Segmentação de Marcos Anatômicos do Fígado

1. O Problema

A segmentação de marcos anatômicos é um passo crítico para o registro multimodal robusto durante intervenções assistidas por computador. No entanto, os métodos atuais baseados em aprendizado profundo enfrentam dois desafios principais:

• Dependência de Dados Anotados: O treinamento de redes neurais exige grandes conjuntos de dados anotados manualmente, um processo que é extremamente trabalhoso, demorado e dependente de especialistas.
• Limitações de Arquiteturas Existentes: Modelos como o PointNet exigem que as nuvens de pontos tenham uma orientação igual, o que é difícil de garantir em modelos 3D extraídos de exames de TC devido às variações anatômicas e de posicionamento do paciente. Além disso, a anotação manual em modelos 3D pré-operatórios requer software especializado e é subjetiva.

2. Metodologia

Os autores propõem um pipeline inovador que utiliza um Modelo Estatístico de Forma (SSM - Statistical Shape Model) para gerar automaticamente um conjunto de dados de treinamento anotado em larga escala, eliminando a necessidade de anotação manual para cada amostra.

• Geração de Dados via SSM:
  • Um SSM foi construído utilizando 48 formas 3D de fígados (incluindo dados do conjunto IRCAD).
  • Apenas a forma média (mean shape) extraída do SSM foi anotada manualmente uma única vez (marcando a crista anterior e o ligamento redondo/falciforme).
  • As anotações foram transferidas para todas as formas sintéticas geradas pelo SSM copiando os índices dos vértices e seus rótulos correspondentes. A equação de geração de forma é dada por $x = \bar{x} + \Lambda^{1/2}Va$, onde $\bar{x}$ é a forma média, $\Lambda$ são os autovalores, $V$ são as componentes principais e $a$ é o vetor de parâmetros.
• Rede Neural (SPRIN):
  • Foi utilizada a arquitetura SPRIN (Sparse Point Rotation Invariant Network), escolhida por sua invariância a rotações (SO(3)), superando a limitação de orientação do PointNet.
  • A rede utiliza camadas de correlação esférica esparsa e agrupamento de vizinhos mais próximos (kNN) para processar nuvens de pontos.
• Configuração do Experimento:
  • Foram geradas 11.500 formas de fígado sintéticas.
  • O conjunto de dados foi dividido em: 8.800 para treinamento, 2.200 para validação e 500 para teste.
  • As nuvens de pontos foram subamostradas para 4.096 pontos e os índices dos vértices foram embaralhados aleatoriamente para evitar que a rede memorizasse posições específicas.

3. Principais Contribuições

• Estratégia de Anotação Eficiente: Demonstração de que é possível criar um conjunto de dados massivo e anotado a partir de uma única anotação manual na forma média de um SSM, transferindo os rótulos para todas as variações sintéticas.
• Validação de Consistência Anatômica: O estudo valida a hipótese de que a transformação do SSM preserva a consistência anatômica, permitindo a transferência confiável de rótulos de marcos anatômicos.
• Aplicação em Dados Reais: Treinamento de uma rede de aprendizado profundo usando apenas dados sintéticos gerados por SSM e sua aplicação bem-sucedida em formas de fígado de pacientes reais (dados clínicos), demonstrando generalização.
• Invariância a Rotações: Uso de uma arquitetura (SPRIN) capaz de lidar com variações de orientação, crucial para dados médicos 3D.

4. Resultados

• Validação da Transferência de Rótulos: Um estudo de anotação manual por quatro não-especialistas em 5 formas SSM comparado com os rótulos transferidos mostrou uma precisão global de 82,45% (87,05% para a crista anterior e 66,06% para o ligamento falciforme), validando a viabilidade da transferência automática.
• Desempenho em Dados Sintéticos (Teste): Ao avaliar a rede em 500 formas sintéticas não vistas (com rotação aleatória), obteve-se:
  • mIoU (Interseção sobre União Média) Geral: 91,4%.
  • Crista Anterior: 87,4%.
  • Ligamento Falciforme: 87,6%.
• Avaliação Qualitativa em Dados Clínicos: A rede foi testada em formas do conjunto de dados MedShapeNet. Os resultados qualitativos foram promissores, com segmentação robusta do ligamento falciforme. A crista anterior apresentou algumas limitações em casos onde a característica anatômica ("forma de M") não estava presente ou era incompleta, mas os pontos de início e fim foram segmentados com precisão.

5. Significado e Conclusão

O trabalho demonstra que a geração de dados baseada em SSM é uma solução viável para mitigar o gargalo da anotação manual laboriosa no desenvolvimento de modelos de aprendizado profundo para segmentação médica.

• Generalização: A abordagem permite treinar modelos robustos que generalizam bem para formas de pacientes reais, mesmo sendo treinados apenas com dados sintéticos.
• Aplicabilidade Clínica: O método tem potencial para ser aplicado em diversos cenários onde conjuntos de dados anotados são essenciais, facilitando o registro 3D-3D em cirurgias laparoscópicas.
• Limitações e Futuro: O estudo aponta que a variabilidade anatômica entre pacientes e a qualidade da reconstrução 3D a partir de TC podem afetar a precisão. Futuras melhorias incluem expandir o SSM com mais formas para capturar maior variabilidade interindividual e garantir anotações de especialistas na forma média para maior precisão de referência.

Em suma, o artigo oferece uma metodologia escalável para a criação de dados de treinamento em medicina, reduzindo custos e tempo de anotação sem sacrificar a qualidade do modelo final.