3D Ultrasound-Derived Pseudo-CT Synthesis Using a Transformer-Augmented Residual Network for Real-Time Operator Guidance

Resumo Técnico: Síntese de Pseudo-TC Derivada de Ultrassom 3D Utilizando uma Rede Residual Aumentada por Transformer

Declaração do Problema
A Tomografia Computadorizada (TC) é um pilar do diagnóstico clínico e de intervenções guiadas por imagem, mas expõe os pacientes à radiação ionizante, um risco associado a potenciais cânceres induzidos por radiação. Embora o Ultrassom (US) ofereça uma alternativa segura, não ionizante e econômica, ele sofre de limitações significativas: é altamente dependente do operador, carece de caracterização quantitativa de tecidos (os valores de intensidade não correspondem a Unidades Hounsfield) e é suscetível a artefatos como sombreamento acústico e pressão variável da sonda. Esses fatores frequentemente levam a incertezas diagnósticas e exames de TC de acompanhamento desnecessários. As abordagens existentes de aprendizado profundo para síntese entre modalidades enfrentam um compromisso: as Redes U-Residuais 3D (ResUNets) padrão capturam bem características locais, mas lutam com relações anatômicas globais em grandes volumes 3D, enquanto arquiteturas como ResViT que integram transformers em toda a rede frequentemente incorrem em altos custos computacionais e podem degradar detalhes locais de alta granularidade, particularmente em dados de US ruidosos.

Metodologia
O artigo propõe um framework para gerar volumes de pseudo-TC derivada de ultrassom 3D (UD-pCT). O objetivo principal não é substituir a TC diagnóstica, mas fornecer referências anatômicas semelhantes à TC em tempo real para guiar os operadores de US, melhorando assim a consistência da varredura e reduzindo encaminhamentos desnecessários para TC.

1. Pipeline de Pré-processamento de Dados:

   • Registro: Os autores utilizam o conjunto de dados TRUSTED, contendo volumes pareados de US e TC de rim 3D. Um pipeline de registro multimodal baseado em pontos de referência é empregado para alinhar espacialmente as modalidades. Isso envolve estimar uma transformação de similaridade (rotação, escala, translação) usando pontos de referência anatômicos via o algoritmo de Umeyama.
   • Recorte e Mascaramento: Para garantir correspondência voxel a voxel e reduzir o uso de memória, o recorte da Região de Interesse (ROI) é realizado com base em máscaras de segmentação de rim em US. Além disso, uma etapa de mascaramento de Campo de Visão (FOV) é aplicada aos volumes de TC para corresponder à geometria piramidal (em forma de tronco de cone) da aquisição em US, mascarando regiões fora do setor acústico do US.

2. Arquitetura Proposta (BT-ResUNet3D):
   O núcleo do framework é uma Rede U-Residual 3D com Transformer em Gargalo (BT-ResUNet3D), projetada como um modelo supervisionado de tradução de imagem entre modalidades pareadas.

   • Gerador: O gerador segue uma estrutura codificador-decodificador residual 3D (espinha dorsal U-Net). Emprega blocos residuais profundos para capturar texturas locais e detalhes anatômicos de alta granularidade. Crucialmente, um módulo Transformer leve é introduzido exclusivamente no gargalo. Este design permite que a rede modele dependências volumétricas de longo alcance e coerência anatômica global sem interromper a extração de características convolucionais em estágios iniciais necessária para a preservação de detalhes locais. O contexto global do transformer é fundido com características locais via adição residual.
   • Discriminador: Um discriminador 3D Conditional PatchGAN é utilizado para impor realismo estrutural local. Ele avalia o realismo de patches volumétricos locais em vez de uma pontuação global única, incentivando a síntese de texturas plausíveis e limites estruturais nítidos.
   • Função de Perda: O modelo é treinado usando uma função de perda composta que combina uma perda de reconstrução L1 pixel a pixel (para garantir precisão em nível de voxel) e uma perda adversarial (para aprimorar o realismo perceptual).

Contribuições Principais

• Pipeline de Pré-processamento Robusto: Os autores estabelecem um pipeline envolvendo registro baseado em pontos de referência, recorte de ROI e mascaramento de FOV para construir pares de treinamento espacialmente alinhados e anatômicamente consistentes, o que é crítico para uma síntese supervisionada entre modalidades confiável.
• Arquitetura Inovadora (BT-ResUNet3D): A introdução de um gargalo aumentado por transformer dentro de um codificador-decodificador residual 3D. Este design captura explicitamente dependências volumétricas de longo alcance enquanto preserva a fidelidade anatômica local, abordando as limitações tanto de arquiteturas puramente CNN quanto de arquiteturas de transformer completo.
• Integração de Conditional PatchGAN: O uso de um Conditional PatchGAN 3D para impor realismo estrutural local e detalhes anatômicos de alta frequência nos volumes sintetizados.
• Foco na Utilidade Clínica: O trabalho demonstra a viabilidade do uso de volumes UD-pCT especificamente para orientação do operador durante a aquisição de US para melhorar a consistência da varredura e reduzir o uso desnecessário de TC, em vez de como um substituto diagnóstico direto.

Resultados Experimentais
O método foi avaliado no conjunto de dados TRUSTED (59 volumes pareados, divididos em 47 casos de treinamento e 12 casos de teste).

• Desempenho Quantitativo: O método proposto alcançou um PSNR de 23,26 dB e um SSIM de 0,71, superando bases estabelecidas, incluindo ResUNet 3D, UNet 3D, Pix2Pix e modelos baseados em difusão (MedDiffusion, 3D Conditional Diffusion). O estudo de ablação confirmou que o gargalo com transformer melhorou significativamente ambas as métricas em comparação com uma ResUNet 3D padrão.
• Análise Qualitativa: Os resultados visuais mostram que, apesar do ruído de granulação e do baixo contraste nas imagens de US de entrada, o modelo recupera com sucesso estruturas coerentes em nível de órgão (rins) que se alinham estreitamente com a anatomia real da TC. Os volumes sintetizados preservam os limites dos órgãos e a extensão espacial.

Significado e Limitações
O artigo afirma que o framework proposto oferece uma alternativa prática e mais segura para melhorar a orientação e a eficiência na imagem médica. Ao fornecer contexto anatômico em tempo real, os volumes UD-pCT podem ajudar os operadores a otimizar o posicionamento e a orientação da sonda, potencialmente reduzindo a variabilidade entre operadores e o volume de exames de TC desnecessários.

Os autores reconhecem explicitamente as limitações, observando que o tamanho relativamente pequeno do conjunto de dados pareado (59 volumes) pode limitar a generalizabilidade do modelo. Eles afirmam que trabalhos futuros focarão na aquisição de conjuntos de dados maiores e mais diversos e na investigação de estratégias semi-supervisionadas ou fracamente supervisionadas para reduzir a dependência de dados de TC pareados. O estudo mantém um escopo modesto, posicionando a tecnologia como uma ferramenta de suporte para orientação do operador, em vez de um substituto para a imagem diagnóstica definitiva por TC.