CT-Guided Spatially-varying Regularization for Voxel-Wise Deformable Whole-Body PET Registration

Resumo Técnico: Regularização Espacialmente Variável Guiada por CT para Registro de PET de Corpo Inteiro Deformável Voxel-a-Voxel

1. O Problema

O registro de imagens de Tomografia por Emissão de Pósitrons (PET) de corpo inteiro é fundamental para o monitoramento de progressão de doenças metastáticas e caracterização tumoral. No entanto, o registro cross-tracer (entre diferentes traçadores, como $^{18}\text{F-PSMA}$ e $^{18}\text{F-FDG}$) apresenta dois desafios principais:

• Inconsistência de Intensidade: Diferentes traçadores possuem padrões de captação biológica distintos, tornando métricas de similaridade baseadas em intensidade (como correlação cruzada) pouco confiáveis.
• Heterogeneidade Anatômica: O corpo humano possui estruturas com comportamentos mecânicos distintos. Aplicar uma regularização de deformação uniforme (global) é ineficiente: ela pode ser muito rígida para tecidos moles (impedindo deformações necessárias) ou muito flexível para estruturas rígidas como ossos (causando deformações irreais).

2. Metodologia Proposta

Os autores propõem um framework de aprendizado profundo para registro deformável que utiliza informações de CT (Tomografia Computadorizada) para guiar o processo, aproveitando o fato de que, em exames PET/CT, as imagens de PET e CT de uma mesma sessão já estão espacialmente alinhadas.

A metodologia baseia-se em dois pilares:

• Supervisão Fraca (Weak Supervision): Para contornar a falta de correspondência direta de intensidade entre os traçadores PET, o modelo é treinado minimizando a perda de similaridade entre os volumes de CT (que são anatomicamente consistentes entre os traçadores) e utilizando máscaras de segmentação de órgãos para garantir o alinhamento anatômico.
• Regularização Espacialmente Variável Guiada por CT: Esta é a principal inovação. Em vez de usar um único peso global ($\lambda$) para penalizar o Campo de Deslocamento Denso (DDF), os autores criam um mapa de pesos voxel-a-voxel baseado nos valores de Unidades Hounsfield (HU) do CT:
  1. Mapeamento de Intensidade: Os valores de HU do CT são normalizados e submetidos a um mapeamento não linear (com expoente $\gamma$).
  2. Modulação de Rigidez: Regiões com altos valores de HU (ossos) recebem pesos de regularização mais altos, forçando o campo de deformação a ser mais rígido. Regiões de baixa densidade (tecidos moles) recebem pesos menores, permitindo maior flexibilidade de deformação.
  3. Função de Perda Total: $L_{total} = L_{sim} (\text{CT}) + L_{seg} (\text{segmentação}) + L_{reg} (\text{regularização adaptativa})$.

3. Principais Contribuições

1. Framework de Registro Cross-Tracer: Um método robusto para alinhar exames de corpo inteiro com traçadores diferentes.
2. Estratégia de Regularização Adaptativa Simples e Eficaz: A introdução de um mapa de regularização derivado diretamente dos valores de HU do CT, eliminando a necessidade de aprender um campo de regularização complexo via rede neural, o que aumenta a estabilidade.
3. Uso de CT como Guia Estrutural: Demonstração de que o CT pode servir tanto como supervisão de treinamento quanto como guia de deformação física.

4. Resultados

O método foi testado em um conjunto de dados clínicos reais de 296 pacientes. Os resultados mostraram:

• Melhoria Global: O método proposto superou o baseline (regularização global) em métricas de Informação Mútua (MI), Dice (sobreposição de órgãos) e Erro de Registro de Alvo (TRE).
• Desempenho Ótimo: O melhor equilíbrio foi encontrado com um peso de regularização médio ($\mu_r$) entre $4.5 \times 10^{-3}$ e $6.0 \times 10^{-3}$. No melhor cenário, o erro TRE caiu de $8.37\text{ mm}$ para $6.04\text{ mm}$.
• Alinhamento de Órgãos: O estudo de ablação confirmou que o mapeamento não linear ($\gamma = 2$) é crucial para que a regularização se adapte corretamente à heterogeneidade anatômica, melhorando significativamente o índice Dice para diversos órgãos.

5. Significância

Este trabalho é significativo para a oncologia de precisão, pois permite uma comparação espacial precisa entre diferentes perfis biológicos de um tumor (ex: metabolismo de glicose via FDG vs. expressão de PSMA em câncer de próstata). Ao resolver o problema da deformação não realista em estruturas ósseas e a falta de flexibilidade em tecidos moles, o método oferece uma ferramenta mais confiável para o diagnóstico e monitoramento de metástases em todo o corpo.