ITKIT: Feasible CT Image Analysis based on SimpleITK and MMEngine

1. Problema e Contexto

A segmentação de imagens de Tomografia Computadorizada (CT) é uma tarefa fundamental para diagnósticos clínicos, planejamento cirúrgico e avaliação de tratamentos. No entanto, a pesquisa nessa área enfrenta dois desafios principais:

• Complexidade dos Pipelines: A eficácia dos modelos de aprendizado profundo é frequentemente limitada não pela arquitetura da rede, mas pela qualidade e consistência do pré-processamento dos dados. Pipelines tradicionais são muitas vezes frágeis, sensíveis a ruídos e difíceis de reproduzir.
• Barreira de Entrada: Embora existam frameworks robustos de código aberto (como MONAI, nnUNet, TorchIO), muitos deles exigem conhecimentos avançados de programação para configuração e implementação. A falta de ferramentas de interface de linha de comando (CLI) intuitivas dificulta a adoção por pesquisadores iniciantes ou profissionais clínicos que desejam focar na aplicação e não no código.

O objetivo do ITKIT é preencher essa lacuna, oferecendo uma solução que equilibre a facilidade de uso (via CLI) com a flexibilidade e robustez de um pipeline de engenharia de dados completo.

2. Metodologia

O ITKIT é construído sobre duas bases tecnológicas principais: SimpleITK (para manipulação de dados médicos e I/O) e MMEngine (um framework de aprendizado profundo flexível e baseado em configuração).

A. Modelo de Dados Padronizado

O framework adota um modelo de dados "centrado em pares" com uma estrutura de diretórios rígida e padronizada:

• Estrutura Hierárquica: Separação clara entre subdiretórios de imagens (image) e rótulos (label).
• Metadados Globais: Uso de um arquivo meta.json para armazenar atributos geométricos críticos (espaçamento de voxel, dimensões, orientação LPI) sem a necessidade de leitura de I/O pesada.
• Rastreabilidade: Suporte a metadados derivados (como crop_meta.json) para rastrear a proveniência de sub-volumes e patches.

B. Ferramentas de Processamento (CLI)

O ITKIT fornece uma interface de linha de comando (CLI) concisa que cobre todo o fluxo de trabalho, desde a ingestão de dados até a inferência:

• Pré-processamento: Inspeção de metadados, ajuste de orientação, reamostragem (resampling), divisão em patches (patch splitting), aumento de dados (augmentation) e extração de rótulos parciais.
• Compatibilidade: O sistema pode converter dados para formatos compatíveis com MONAI e TorchIO, atuando como uma ponte entre dados brutos e frameworks de deep learning.
• Reprodutibilidade: Qualquer modificação nos dados atualiza automaticamente as tabelas de metadados, e arquivos de configuração são gerados para documentar o processo exato.

C. Treinamento e Inferência (OneDL-MMEngine)

• Arquitetura: Utiliza o framework OneDL-MMEngine para extensão de redes neurais, garantindo alta reprodutibilidade através de configurações declarativas.
• Suporte a Modelos: Integra uma vasta gama de arquiteturas modernas, incluindo CNNs (ex: UNet 3+, MedNeXt), Transformers (ex: UNETR, SegFormer) e modelos baseados em Mamba (ex: Swin-UMamba, SegMamba).
• Inferência: Suporta múltiplos backends de inferência, incluindo o nativo (via MMEngine), ONNX (para compatibilidade cruzada) e uma extensão para o 3D Slicer, permitindo visualização e inferência em tempo real em um ambiente desacoplado (frontend/backend).

3. Principais Contribuições

1. Acessibilidade via CLI: Diferente de muitos concorrentes que focam em APIs de Python, o ITKIT prioriza comandos de linha de comando intuitivos, permitindo que usuários com pouca experiência em codificação executem pipelines complexos de segmentação.
2. Pipeline Completo (DICOM a Inferência): Oferece um fluxo de trabalho unificado que vai desde a organização de dados DICOM brutos até a inferência de segmentação 3D, cobrindo pré-processamento, treinamento e avaliação.
3. Interoperabilidade: Atua como um "ponte" versátil, permitindo a conversão de dados para formatos utilizados por MONAI e TorchIO, além de suportar diretamente o ecossistema PyTorch.
4. Integração com 3D Slicer: Fornece uma extensão para o 3D Slicer que permite a execução de inferência em tempo real usando modelos treinados com ITKIT, com suporte a ambientes isolados (Docker/WSL) para o backend pesado.
5. Validação em Múltiplos Backends: O framework foi projetado para funcionar nativamente e também através de backends de terceiros (TorchIO e MONAI), permitindo comparações diretas de desempenho.

4. Resultados

Os autores realizaram 12 experimentos end-to-end na tarefa de segmentação abdominal (dataset AbdomenCT1K) para validar a generalização e o desempenho do ITKIT.

• Configuração: Foram testados dois modelos representativos (MedNeXt para CNNs e SegFormer3D para Transformers) utilizando três backends de carregamento de dados: Nativo, TorchIO e MONAI.
• Desempenho:
  • O ITKIT demonstrou capacidade de atingir métricas competitivas (Dice, IoU, Precisão, Recall) comparáveis aos benchmarks estabelecidos.
  • Por exemplo, com o backend TorchIO e o modelo SegFormer3D, o sistema alcançou um Dice de 94,08% e IoU de 89,50%.
  • O backend nativo também mostrou eficiência, com tempos de processamento otimizados para hardware de PC comum.
• Visualização: O sistema inclui um visualizador personalizado que registra imagens, ground truth, perdas e métricas durante o treinamento, salvando dados localmente e no TensorBoard.

5. Significado e Impacto

O ITKIT representa um avanço significativo na democratização da análise de imagens médicas por IA:

• Redução de Barreiras: Ao fornecer uma CLI robusta, ele permite que clínicos e pesquisadores iniciantes implementem pipelines de ponta sem a necessidade de escrever código complexo do zero.
• Padronização: Promove a padronização de estruturas de dados e metadados, facilitando a colaboração interinstitucional e a validação multicêntrica.
• Foco na Engenharia de Dados: Reforça a ideia de que a qualidade do pré-processamento e a organização dos dados são tão críticas quanto a arquitetura do modelo para o sucesso em cenários clínicos reais.
• Sustentabilidade: Sendo um software de código aberto que integra as melhores práticas de SimpleITK e MMEngine, o ITKIT oferece uma base estável e atualizável para futuras pesquisas, mantendo-se compatível com novas arquiteturas de redes neurais à medida que elas surgem.

Em resumo, o ITKIT não é apenas mais uma biblioteca de segmentação, mas uma infraestrutura de engenharia que simplifica a transição da pesquisa acadêmica para a implementação prática em ambientes clínicos.