AbdomenGen: Sequential Volume-Conditioned Diffusion Framework for Abdominal Anatomy Generation

Título: AbdomenGen: Framework de Difusão Condicionado a Volumes Sequenciais para Geração de Anatomia Abdominal

1. Problema e Motivação

Os fantomas computacionais (modelos anatômicos sintéticos) são fundamentais para ensaios de imagem virtual, dosimetria de radiação e simulação cirúrgica. No entanto, existem lacunas críticas nas abordagens atuais:

• Limitação de Dados Reais: Os dados retrospectivos subamostram anatomias raras, extremas e patológicas, que são justamente onde os sistemas de IA tendem a falhar.
• Falta de Controle Calibrado: Métodos existentes (como XCAT) são baseados em modelos manuais ou pipelines de aprendizado profundo que não permitem manipulação anatômica deliberada e calibrada.
• Geração de Órgãos Únicos vs. Múltiplos: Abordagens generativas puras geralmente focam em um único órgão ou usam interpolação latente não calibrada, falhando em manter a coerência espacial global e o controle independente entre múltiplos órgãos.
• Desacoplamento Habitus-Volume: Condicionar diretamente o volume do órgão ao tamanho do corpo (habitus) gera sinais contraditórios, pois o volume do órgão é parcialmente previsível pelo volume do corpo, limitando a capacidade de gerar variações independentes.

O objetivo é criar uma população de fantomas com fidelidade (realismo espacial), diversidade (variação de morfologia) e controlabilidade direcionada (enriquecimento calibrado de regimes anatômicos específicos).

2. Metodologia

O AbdomenGen é um framework de difusão sequencial projetado para gerar 11 estruturas abdominais com controle de volume independente.

A. Formulação do Problema e Representação

• A síntese de órgãos é modelada como a geração condicional de um Campo de Distância Assinada (SDF) do órgão.
• Os dados são representados como SDFs em uma grade fixa, permitindo sinais geométricos suaves e treinamento eficiente.

B. Estratégia de Geração Sequencial

• Os órgãos são gerados em uma ordem pré-definida (de estruturas grandes e definidoras de espaço para órgãos menores e dependentes).
• Para cada órgão $o_i$, o modelo é condicionado em:
  1. O SDF da máscara corporal ($B$).
  2. Um SDF de contexto agregado ($S^{ctx}_i$) que contém todos os órgãos já gerados anteriormente (representado pela união máxima dos SDFs).
• Isso garante a coerência anatômica global, evitando sobreposições e mantendo as relações espaciais corretas.

C. Escalar de Controle de Volume (VCS - Volume Control Scalar)

• Para resolver o problema do acoplamento entre o tamanho do corpo e o tamanho do órgão, os autores introduzem o VCS.
• Em vez de usar o volume bruto, o VCS é definido como o resíduo padronizado do volume do órgão em relação ao volume do corpo.
  • Calcula-se um volume esperado $\hat{V}$ baseado no volume corporal.
  • O resíduo é $r = V_{ref} - \hat{V}$.
  • O VCS é a padronização desse resíduo: $v = (r - \mu) / \sigma$.
• Isso desacopla o controle do tamanho do órgão do "habitus" (tamanho do corpo), permitindo modular o tamanho de um órgão independentemente do tamanho do paciente, mantendo a coerência anatômica.

D. Arquitetura de Difusão com FiLM

• Utiliza um U-Net 3D de difusão treinado por órgão.
• A entrada do modelo inclui o SDF ruidoso do órgão, o SDF do corpo e o SDF de contexto.
• O escalar de controle de volume (VCS) é injetado na rede através de uma adaptação FiLM (Feature-wise Linear Modulation), que modula as características intermediárias da rede.
• Função de Perda: Combina perda de reconstrução L1 (SDF), perda de entropia cruzada binária (máscara), penalidade de sobreposição (Dice reversível) e uma perda de calibração de VCS (após épocas iniciais) para garantir que o volume gerado corresponda ao VCS alvo.

3. Contribuições Principais

1. Framework AbdomenGen: Um sistema escalável de difusão que gera 11 órgãos abdominais sequencialmente, garantindo coerência espacial e controle independente órgão a órgão.
2. Escalar de Controle de Volume (VCS): Uma variável de condicionamento inovadora que resolve o problema de sinais contraditórios ao desacoplar o controle de tamanho do órgão do tamanho do corpo, oferecendo um eixo de controle interpretável e calibrado.
3. Controlabilidade no Nível de Distribuição: Demonstração de que, ao atribuir distribuições de VCS, é possível corresponder a populações de pacientes específicas (ex: hepatomegalia) sem retreinamento, reduzindo a distância de distribuição em até 73,6%.

4. Resultados

O modelo foi avaliado em 556 tomografias computadorizadas (TC) abdominais, com 200 casos de teste.

• Fidelidade Geométrica:

  • O fígado atingiu um Dice de 0,83 ± 0,05, com baixos erros de superfície (ASSD e HD95).
  • A performance diminui ligeiramente para órgãos menores ou mais variáveis (como rins e estômago), mas mantém-se dentro de limites aceitáveis para simulação.
  • Realismo de Variedade (Manifold): Os dados gerados permanecem na variedade anatômica empírica (não memorizam os dados de treino), com distâncias de vizinho mais próximo comparáveis às máscaras de referência.

• Controle de Volume e Calibração:

  • Variação do VCS no intervalo [-3, +3] produziu mudanças de volume consistentes e interpretáveis.
  • O fígado e os rins seguiram tendências lineares, enquanto baço e vesícula mostraram crescimento amplificado em valores positivos de VCS.
  • Ajuste de Distribuição: Ao selecionar um VCS ótimo (4,9), o modelo conseguiu alinhar a distribuição de volumes de fígado gerada com uma coorte externa de hepatomegalia (MERLIN), reduzindo a distância de Wasserstein-1 em 73,6% (de 899,5 mL para 237,0 mL).

• Controle Multi-Órgão Independente:

  • A variação independente do VCS do fígado e do baço mostrou que as mudanças ocorrem principalmente ao longo do eixo desejado, com acoplamento cruzado mínimo, permitindo a exploração de configurações conjuntas raras.

• Comparação com Estado da Arte (MAISI):

  • O AbdomenGen demonstrou maior diversidade inter-amostra (menor Dice par a par e maior distância de Chamfer) em comparação com o modelo MAISI, indicando uma melhor cobertura do espaço de formas plausíveis.

5. Significado e Conclusão

O AbdomenGen representa um avanço significativo na geração de fantomas computacionais para pesquisa em imagem médica.

• Utilidade Clínica: Permite a criação sob demanda de coortes de pacientes com características anatômicas específicas (ex: órgãos aumentados patologicamente) para testar a robustez de algoritmos de segmentação e planejamento de tratamento.
• Inovação Metodológica: A introdução do VCS como um residual padronizado oferece uma solução elegante para o problema de condicionamento em modelos generativos onde variáveis globais (corpo) e locais (órgão) estão correlacionadas.
• Limitações Futuras: O método pode acumular pequenos erros geométricos na síntese sequencial e tem desempenho inferior em estruturas tubulares alongadas (como o cólon). Trabalhos futuros visam expandir para outras regiões anatômicas e incorporar condicionantes mais ricos (descritores de forma e tecido).

Em suma, o framework oferece uma ferramenta calibrada, consciente da distribuição e controlável para a construção de fantomas abdominais, superando as limitações de métodos anteriores que não conseguiam equilibrar realismo, diversidade e controle independente.