Point Cloud Registration for Fusion between SPECT MPI and CTA Images

1. Declaração do Problema

A fusão clínica de Imagem de Perfusão Miocárdica por Tomografia Computadorizada de Emissão de Fóton Único (SPECT MPI) e Angiografia por Tomografia Computadorizada (CTA) é crítica para avaliar simultaneamente a perfusão miocárdica (funcional) e a anatomia coronariana (estrutural). No entanto, essa fusão enfrenta desafios significativos:

• Má-registro entre Modalidades: Diferenças na física de imageamento, resolução, algoritmos de reconstrução e posicionamento do paciente levam ao desalinhamento.
• Baixa Resolução e Artefatos: As imagens SPECT sofrem com baixa resolução espacial e artefatos de movimento, tornando difícil o registro baseado em intensidade direta.
• Dependência de Marcadores Manuais: Os métodos atuais frequentemente dependem da seleção manual de marcos anatômicos, o que é demorado, subjetivo e propenso a erros.
• Falha na Inicialização: Algoritmos de registro fino direto frequentemente falham devido a grandes diferenças iniciais de escala e orientação entre as duas modalidades.

2. Metodologia

Os autores propõem um framework de registro do grosseiro ao fino que integra segmentação U-Net, extração automatizada de marcos anatômicos, normalização de espaço-escala e registro fino comparativo. O pipeline consiste em quatro etapas principais:

A. Segmentação Automatizada e Geração de Nuvem de Pontos

• Dados CTA: Um modelo U-Net segmenta tanto a Região Epicárdica do Ventrículo Esquerdo (LVER) quanto a Região Epicárdica do Ventrículo Direito (RVER). Nuvens de pontos de superfície são extraídas desses segmentos.
• Dados SPECT: Um pipeline especializado reamostra imagens de eixo curto (SAX) para uma perspectiva de eixo longo (LAX) para reduzir distorção geométrica. Um U-Net pré-treinado segmenta a LVER, e a superfície resultante é mapeada de volta para o sistema de coordenadas cartesiano original para gerar uma nuvem de pontos.

B. Extração Automatizada de Marcos (Estratégia Assimétrica)

Para estabelecer um alinhamento inicial robusto, o sistema identifica automaticamente marcos anatômicos chave:

• Marcos CTA: O plano de interseção entre os ventrículos esquerdo e direito é calculado usando Análise de Componentes Principais (PCA) em pontos de contato (derivados via consultas de vizinho mais próximo de árvore k-d dupla). Uma curva de Bézier é gerada ao longo da junção, e 9 pontos são amostrados como marcos representando o septo interventricular.
• Marcos SPECT: Como o SPECT carece de definição clara do ventrículo direito, o sistema estima o centro, o ápice e a base usando ajuste de círculo RANSAC. Em seguida, constrói uma estratégia de amostragem de rotação de eixo longo para encontrar o plano com densidade de cobertura máxima, simulando a junção interventricular. 18 pontos são amostrados ao longo de uma curva de Bézier gerada.

C. Registro Grosseiro (Inicialização)

Antes do registro fino, uma etapa de pré-processamento de Consistência de Espaço-Escala é aplicada:

1. Normalização de Escala: Os autovalores das matrizes de covariância de ambas as nuvens de pontos são comparados para derivar um fator de escala isotrópico, redimensionando a nuvem de pontos SPECT para corresponder ao volume CTA.
2. Alinhamento Guiado por Marcos: Os marcos pré-amostrados de ambas as modalidades são alinhados usando o algoritmo de Umeyama para resolver a transformação rígida ótima (rotação e translação), fornecendo uma posição inicial confiável.

D. Registro Fino

Seis algoritmos diferentes de registro de nuvem de pontos são aplicados às nuvens de pontos da Superfície Epicárdica do Ventrículo Esquerdo (LVES) para refinar o alinhamento:

1. ICP (Ponto Mais Próximo Iterativo)
2. SICP (ICP Escalado)
3. CPD Rígido (Derivação de Pontos Coerentes - Rígido)
4. CPD Afim
5. CluReg (Registro Baseado em Clusters)
6. FFD (Deformação Livre-Forma)
7. BCPD++ (Derivação de Pontos Coerentes Bayesiana++)

As matrizes de transformação derivadas desses registros de nuvem de pontos são então propagadas para os volumes de voxel 3D originais usando interpolação por spline cúbica (para rígido/afim) ou interpolação de vizinho mais próximo (para deslocamentos não rígidos) para alcançar a fusão final de imagens.

3. Contribuições Principais

1. Novo Framework do Grosseiro ao Fino: Um pipeline unificado que combina detecção de marcos anatômicos, normalização de espaço-escala e refinamento multi-etapa para lidar robustamente com o registro entre modalidades.
2. Marcagem Assimétrica Automatizada: Um método para extrair automaticamente marcos da junção interventricular a partir de CTA (usando geometria de ventrículos duplos) e SPECT (usando características morfológicas), eliminando a necessidade de intervenção manual.
3. Estudo Comparativo Agnóstico a Algoritmos: O framework permite a avaliação plug-and-play de múltiplos algoritmos de registro fino dentro do mesmo pipeline padronizado. Isso identifica o BCPD++ como o desempenho superior, enquanto prova que o valor do framework reside na estratégia de inicialização e não em um único algoritmo.
4. Aplicabilidade Clínica: A abordagem preserva detalhes coronarianos submilimétricos do CTA enquanto sobrepõe com precisão dados quantitativos de perfusão SPECT.

4. Resultados Experimentais

O estudo foi avaliado em uma coorte retrospectiva de 60 pacientes (66 casos totais de CTA para treinamento do U-Net).

• Desempenho de Segmentação: O U-Net alcançou um Coeficiente de Similaridade Dice (DSC) de 0,9531 para o Ventrículo Esquerdo e 0,8460 para o Ventrículo Direito.
• Precisão de Registro (com Inicialização Grosseira):
  • O BCPD++ superou todos os outros métodos (ICP, SICP, CPD, CluReg, FFD).
  • Distância Média da Nuvem de Pontos (MPE): 1,7 mm (vs. 3,8 mm para ICP).
  • Erro de Deslocamento do Ápice (AE): 6,7° (vs. 12,0° para ICP).
  • Distância Média do Sulco Interventricular (MGE): 8,0 mm.
  • Erro do Centro do Plano do Sulco (GCE): 6,6 mm.
• Importância do Registro Grosseiro: Um experimento de controle pulando a etapa de registro grosseiro mostrou falha catastrófica para a maioria dos algoritmos. Por exemplo, sem inicialização grosseira, o MPE para o BCPD++ subiu ligeiramente (1,6 mm), mas o Erro de Deslocamento do Ápice saltou para 51,1° e o MGE para 38,6 mm, provando que o registro fino sozinho não pode corrigir erros globais de orientação e escala.

5. Significado

Este trabalho fornece uma solução prática e automatizada para a fusão SPECT-CTA, abordando o gargalo crítico do desalinhamento entre modalidades. Ao alcançar precisão em nível de milímetros e alinhamento de orientação em nível de subgrau, o framework permite:

• Localização Precisa de Isquemia: Mapeamento preciso de defeitos de perfusão para territórios específicos de artérias coronárias.
• Avaliação Funcional ao Nível de Lesão: Correlacionar estenose estrutural (CTA) com impacto funcional (SPECT) em um único sistema de coordenadas.
• Robustez: A "consistência de espaço-escala" e a inicialização guiada por marcos tornam o sistema resiliente às diferenças inerentes de resolução e contraste entre SPECT e CTA, oferecendo uma base confiável para tomada de decisão clínica em cardiologia.

Disponibilidade do Código: Os autores disponibilizaram o código publicamente em https://github.com/MIILab-MTU/SPECTMPIAndCTAFusion.