Resumo Técnico: SynVA – Um Kit de Ferramentas Modular para Geração de Vasos e Edição de Aneurismas

Declaração do Problema

Os aneurismas intracranianos (IAs) representam uma causa significativa de acidente vascular cerebral e mortalidade, mas seu crescimento imprevisível e o risco de ruptura complicam o diagnóstico precoce e o planejamento do tratamento. Embora os gêmeos digitais e o aprendizado profundo ofereçam caminhos promissores para melhorar o prognóstico específico do paciente e a análise hemodinâmica (por exemplo, estimativa de tensão de cisalhamento na parede), sua eficácia é severamente restringida pela escassez de dados médicos 3D em grande escala, de alta qualidade e rotulados. Os conjuntos de dados reais existentes são limitados em tamanho, e a reconstrução de malhas 3D precisas a partir de imagens médicas é propensa a erros e requer intervenção de especialistas. Além disso, os métodos atuais de geração de dados sintéticos frequentemente carecem de consistência anatômica; eles ou se concentram exclusivamente em árvores vasculares saudáveis sem patologia ou geram aneurismas como objetos isolados, em vez de deformações localizadas de estruturas vasculares pré-existentes. Há uma necessidade crítica de abordagens escaláveis que possam gerar malhas vasculares 3D totalmente rotuladas e anatomicamente plausíveis com aneurismas integrados para apoiar o treinamento de modelos generativos e tarefas de visão a jusante.

Metodologia

Os autores apresentam Vasculatura Sintética (SynVA), um kit de ferramentas modular projetado para gerar malhas vasculares 3D totalmente rotuladas, abrangendo tanto geometrias saudáveis quanto formações patológicas de aneurismas. O SynVA integra modelos de aprendizado baseados em dados com uma abordagem procedural orientada por modelos, unificada por um fluxo de trabalho fisiológico específico: os aneurismas não são gerados de forma isolada, mas sintetizados como deformações localizadas condicionadas a um ostium pré-definido (a interseção entre o vaso pai e o aneurisma).

O kit de ferramentas compreende três componentes principais:

1. Geração de Vasos Saudáveis (SynVA-V1)

Este componente utiliza um modelo generativo baseado em correspondência de fluxo para criar estruturas vasculares saudáveis. Ele opera em um processo de duas etapas:

• Geração de Topologia: Uma topologia de vaso discreta é aprendida como uma árvore direcionada enraizada usando um Transformer autoregressivo no estilo GPT. Esta etapa codifica estruturas de ramificação sem geometria contínua.
• Geração de Geometria: Dada uma topologia fixa, uma TreeFlowNet (uma Rede Neural de Grafos consciente da topologia) prevê características de nós contínuas. Essas características incluem posições da linha central relativas ao pai, pontos de controle de seção transversal local e parâmetros de nós de B-spline. O modelo é treinado usando correspondência de fluxo condicional de transporte ótimo em dados reais (onde as regiões aneurismáticas foram removidas manualmente para criar a verdade fundamental saudável).
• Refinamento: As árvores de spline geradas são convertidas em malhas de superfície estanques por meio de reconstrução de superfície de Poisson com tela, com suavização específica aplicada nas bifurcações.

2. Geração de Aneurismas Condicionada ao Ostium

Uma vez gerado um vaso saudável, um ostium é selecionado automaticamente (com base em regiões de bifurcação ou priores de curvatura local) ou manualmente via uma interface gráfica (GUI). Três métodos distintos geram a malha do aneurisma condicionada a este ostium:

• SynVA-A1: Uma adaptação do modelo AneuG. Ele utiliza uma representação latente compacta de Deformação Harmônica de Grafos (GHD). O modelo é condicionado à geometria local do vaso, à geometria explícita do anel do ostium e aos parâmetros morfológicos. Ele emprega uma arquitetura VAE condicional com termos de perda específicos para impor consistência geométrica na interface vaso-aneurisma.
• SynVA-A2: Uma extensão do MeshAnything V2. Ele reformula a geração de malhas como uma tarefa autoregressiva condicionada ao contexto anatômico parcial. O modelo recebe uma nuvem de pontos local do vaso e uma malha explícita do ostium (tokenizada como um prefixo forçado) para gerar a malha do aneurisma como uma continuação do ostium, em vez de reconstruir uma forma completa a partir de uma nuvem de pontos completa.
• SynVA-P1 (Procedural): Um modelo totalmente procedural baseado em princípios fisiológicos (por exemplo, a lei de Murray para diâmetros de vasos) e priores estatísticos. Ele gera um vaso bifurcante, seleciona um ostium e sintetiza um saco aneurismático a partir de um primitivo geométrico (icosaedro) que é esticado, perturbado com ruído e opcionalmente aumentado com um "bleb" (uma protuberância localizada associada ao risco de ruptura).

3. Pós-processamento e Costura

Para todos os métodos, a malha do aneurisma gerada é costurada ao vaso pai na interface do ostium. Isso envolve a remoção de elementos inválidos, o recálculo de normais, o alinhamento das malhas e o suavização da região de transição para produzir uma única malha de vaso patológico contínua com rótulos de vértices semânticos (vaso saudável, aneurisma, ostium).

Contribuições Principais

O artigo descreve quatro contribuições principais:

1. SynVA-V1: Um modelo baseado em correspondência de fluxo para geração de vasos saudáveis que supera as bases existentes (VesselGPT, VesselVAE) em métricas de topologia e geometria.
2. Geradores Condicionados ao Ostium: Dois modelos de aprendizado baseados metodologicamente distintos (SynVA-A1 e SynVA-A2) para síntese localizada de aneurismas em vasos existentes, abordando a lacuna na modelagem de aneurismas como processos consistentes com a superfície.
3. Modelo Procedural (SynVA-P1): Uma abordagem procedural inovadora para gerar malhas vasculares rotuladas e aneurismas baseada exclusivamente em princípios biológicos e matemáticos, permitindo a criação de conjuntos de dados em grande escala sem dependência de entradas específicas do paciente.
4. Conjunto de Dados Sintético em Grande Escala: O lançamento de um conjunto de dados compreendendo 50.000 amostras de malhas 3D totalmente rotuladas (vasos com aneurismas), incluindo nuvens de pontos derivadas, sub-malhas e descritores morfológicos, destinados ao treinamento de modelos generativos baseados em malhas e tarefas a jusante.

Resultados

Os autores conduziram avaliações quantitativas e qualitativas extensas:

• Geração de Vasos Saudáveis: O SynVA-V1 alcançou desempenho superior ou competitivo em relação às bases. Em um conjunto de testes curado, demonstrou menor Discrepância Média Máxima (MMD) e maior Cobertura (COV) e Precisão de 1-Vizinho Mais Próximo (1-NNA) em comparação com o VesselGPT. As métricas de topologia (divergência KL de graus de nós e distância do espectro Laplaciano) também foram melhoradas.
• Geração de Aneurismas:
  • Quantitativo: O SynVA-A1 mostrou desempenho ligeiramente melhor em métricas de similaridade quantitativa (distância de Chamfer e desvios de parâmetros morfológicos) em comparação com o SynVA-A2 em um subconjunto compartilhado de gerações bem-sucedidas.
  • Qualitativo (Estudo com Especialistas): Dois neurorradiologistas avaliaram amostras geradas contra a verdade fundamental. Embora a verdade fundamental tenha recebido a maior classificação, o SynVA-A2 recebeu classificações de realismo ligeiramente mais altas do que o SynVA-A1, apesar das melhores pontuações quantitativas do SynVA-A1. Os especialistas notaram que o SynVA-A1 tendia a produzir formas excessivamente simétricas, enquanto o SynVA-A2 gerava formas com irregularidades mais clinicamente plausíveis, embora tivesse uma taxa de falha mais alta na geração de malhas.
• Tarefa a Jusante (Segmentação Semântica): Para validar a utilidade do conjunto de dados sintético, os autores treinaram um modelo Point Transformer V3 (PTv3) para identificação da cabeça do aneurisma.
  • Modelos treinados apenas com dados sintéticos performaram mal em dados reais de teste (mIoU ~36,8%), destacando a lacuna de domínio.
  • No entanto, o pré-treinamento sintético seguido de ajuste fino em dados reais superou significativamente os modelos treinados apenas em dados reais, particularmente em regimes de poucos dados (por exemplo, 10% de dados reais). O pré-treinamento com 40.000 amostras sintéticas aumentou o mIoU de 50,41% para 63,88% quando ajustado finamente em apenas 10% dos dados reais.

Significado e Alegações

O artigo posiciona o SynVA como um passo crítico para superar a escassez de dados na pesquisa cerebrovascular. Ao desacoplar a geração de vasos saudáveis da síntese de aneurismas e conectá-los por meio de um ostium explícito, o SynVA modela a formação de aneurismas como um processo localizado e condicionado ao vaso, o que se alinha mais de perto com a realidade fisiológica do que a geração de formas isoladas.

Os autores afirmam que o SynVA permite:

• A geração de conjuntos de dados em grande escala, diversos e totalmente rotulados (50.000 amostras) que atualmente não estão disponíveis no domínio público.
• Melhor treinamento para tarefas a jusante, demonstrado pelos ganhos significativos de desempenho na segmentação semântica ao usar pré-treinamento sintético.
• Edição e análise controladas, permitindo que os pesquisadores gerem variações patológicas específicas para estudar riscos de ruptura ou treinar modelos de diagnóstico.

Os autores permanecem modestos quanto às limitações atuais: o modelo procedural é limitado a bifurcações únicas e ainda não captura a anatomia completa do Polígono de Willis em nível de paciente; as geometrias geradas são otimizadas para plausibilidade morfológica, mas não modelam explicitamente quantidades hemodinâmicas (por exemplo, tensão de cisalhamento na parede), exigindo preparação adicional para simulações de dinâmica de fluidos computacional (CFD). Eles enfatizam que os dados sintéticos destinam-se à pesquisa, avaliação de referência e pré-treinamento, e não devem ser usados como substituto autônomo para tomada de decisão clínica sem extensa validação em dados do mundo real.