Progressive Learning with Anatomical Priors for Reliable Left Atrial Scar Segmentation from Late Gadolinium Enhancement MRI

1. Problema e Contexto

A Fibrilação Atrial (FA) é uma arritmia cardíaca prevalente, e a ablação por cateter é um tratamento comum. No entanto, a recorrência da FA é frequente, e a distribuição de tecido cicatricial (cicatriz) no átrio esquerdo (AE) pós-ablação é um fator crítico para prever o sucesso do tratamento.

• Desafio Principal: A segmentação automática da cicatriz em imagens de Ressonância Magnética Cardíaca com Realce Tardio por Gadolínio (LGE) é extremamente difícil devido a:
  • Baixo contraste: A parede do AE é fina e as áreas de cicatriz são pequenas e heterogêneas.
  • Variabilidade de anotação: As marcações manuais (ground truth) frequentemente contêm ruído, incluindo anotações fora da parede anatômica do átrio (dentro da cavidade ou no tecido circundante), o que introduz viés no treinamento de modelos.
  • Desequilíbrio de classes: A fração de cicatriz é mínima (aprox. 0,69% dos voxels), tornando a detecção um problema de aprendizado desbalanceado.

2. Metodologia

Os autores propõem uma estratégia de Aprendizado Progressivo inspirada no fluxo de trabalho clínico (onde um médico primeiro identifica a anatomia geral e depois foca nas patologias), implementada em um framework de três estágios baseado na arquitetura SwinUNETR.

A. Framework de Aprendizado Progressivo (3 Estágios)

1. Estágio I: Pré-treinamento na Segmentação da Cavidade do AE:
   • O modelo é treinado exclusivamente para segmentar a cavidade do átrio esquerdo (LA).
   • Objetivo: Estabelecer "priors" anatômicos robustos e aprender a estrutura global do coração sem a complexidade da detecção de lesões pequenas.
2. Estágio II: Aprendizado Dual-Task (Tarefa Dupla):
   • O modelo herda os pesos do Estágio I.
   • Adiciona-se um decodificador para a segmentação da cicatriz, enquanto a segmentação da cavidade continua como uma tarefa de regularização.
   • Inovação Chave: Introdução de uma Função de Perda Ponderada Espacialmente Consciente da Anatomia.
     • Cria-se uma máscara de "parede" baseada em transformadas de distância euclidiana.
     • Aplica-se um fator de peso que restringe suavemente as previsões de cicatriz para regiões anatomicamente plausíveis (a parede do átrio).
     • Isso mitiga o viés de anotações ruidosas (cicatrizes anotadas fora da parede) sem alterar o objetivo fundamental de segmentação.
3. Estágio III: Ajuste Fino (Fine-tuning) na Segmentação da Cicatriz:
   • Foco exclusivo na tarefa de segmentação da cicatriz.
   • Os parâmetros do codificador (encoder) são congelados para preservar as representações anatômicas de baixo nível aprendidas no Estágio I, evitando o "esquecimento catastrófico".
   • Apenas o decodificador de cicatriz e um conjunto reduzido de parâmetros são ajustados.

B. Aumento de Dados e Função de Perda

• Aumento de Dados "On-the-fly": Uma estratégia física inspirada que inclui perturbações de intensidade realistas, deformações elásticas 3D, ruído de aquisição e variações de contraste para melhorar a generalização com dados limitados.
• Função de Perda: Combinação de Dice Loss e Cross-Entropy (DiceCE) para lidar com o desequilíbrio de classes.

3. Principais Contribuições

1. Framework de Aprendizado Progressivo Clínico: Uma abordagem que mimetiza o raciocínio diagnóstico clínico (Anatomia $\to$ Contexto Espacial $\to$ Detecção Fina), facilitando o aprendizado de características estáveis antes de abordar regiões patológicas incertas.
2. Restrição de Parede Consciente da Anatomia: Uma função de perda inovadora que atua como uma regularização suave, forçando o modelo a ignorar anotações anatomicamente implausíveis (ruído de anotação) e focar na parede do átrio, melhorando a robustez.
3. Estratégia de Aumento de Dados Específica para LGE: Técnicas de aumento de dados que simulam artefatos reais de aquisição de MRI e deformações anatômicas.

4. Resultados

O modelo foi validado no conjunto de dados público LASCARQS (2022) usando validação cruzada de 5 dobras.

• Segmentação da Cavidade do AE: Alcançou um Dice Score de 0,94 no Estágio I, demonstrando alta precisão na anatomia.
• Segmentação da Cicatriz:
  • Modelo Completo (I + II + III): Dice Score de 0,50, Hausdorff Distance (HD) de 11,84 mm e Distância Média de Superfície (ASD) de 1,80 mm.
  • Comparação: Superou a abordagem de um único estágio (I + II) que obteve Dice de 0,49, HD de 13,02 mm e ASD de 1,96 mm.
  • Estudo de Ablação: Mostrou que pular o Estágio I (aprendizado direto da cicatriz) ou o Estágio II (transição dual) resulta em desempenho inferior, confirmando a necessidade do aprendizado progressivo.
• Comparação com Baselines: O desempenho foi comparável ao nnU-Net (Dice 0,50), mas com a vantagem de incorporar conhecimento clínico explícito e melhorias na consistência anatômica, embora o Dice absoluto permaneça baixo devido à natureza fragmentada e de baixo contraste da cicatriz.

5. Significado e Conclusão

O trabalho demonstra que integrar conhecimento clínico e raciocínio diagnóstico diretamente na arquitetura de aprendizado profundo é crucial para tarefas médicas complexas.

• Robustez: A abordagem melhora a confiabilidade das previsões ao lidar com dados de treinamento limitados e anotações imperfeitas.
• Generalização: O aprendizado progressivo permite que o modelo aprenda representações estruturais estáveis antes de tentar detectar lesões sutis, superando a instabilidade comum em otimizações multitarefa diretas.
• Impacto Clínico: Embora o Dice Score absoluto para cicatrizes ainda seja um desafio na área (devido à natureza do problema), a proposta oferece uma nova direção para o design de modelos que priorizam a consistência anatômica e a plausibilidade clínica, essenciais para o monitoramento pós-ablação e gestão personalizada de pacientes com FA.