R2AoP: Reliable and Robust Angle of Progression Estimation from Intrapartum Ultrasound

Enunciado do Problema

A estimativa precisa do Ângulo de Progressão (AoP) a partir de ultrassom transperineal intraparto é essencial para a avaliação objetiva da progressão do trabalho de parto e para a tomada de decisões clínicas. No entanto, a estimativa automatizada do AoP enfrenta desafios significativos:

1. Degradação da Imagem: As imagens de ultrassom sofrem com ruído de speckle, baixo contraste, sombreamento acústico e bordas desfocadas, levando à variabilidade na visibilidade da Sínfise Púbica (PS) e da Cabeça Fetal (FH).
2. Amplificação de Erros: O AoP é uma medida geométrica em cascata derivada do eixo da PS e da tangente da FH. Mesmo pequenos erros de segmentação no nível da borda podem ser geometricamente amplificados, resultando em desvios angulares significativos e redução da estabilidade da medição.
3. Desvios de Domínio: A implementação clínica envolve variações entre diferentes dispositivos de ultrassom, parâmetros de aquisição e operadores. Modelos treinados em dados de origem frequentemente degradam-se quando aplicados a domínios-alvo com diferentes intensidades e texturas de imagem.

Métodos existentes frequentemente priorizam a precisão da segmentação ou assumem condições de imagem consistentes, falhando em abordar a necessidade específica de estabilidade entre condições e a supressão da amplificação de erros em cálculos geométricos.

Metodologia: Framework R2AoP

Os autores propõem o R2AoP, um framework que integra segmentação informada estruturalmente, modelagem geométrica guiada por confiança e uma estratégia leve de adaptação no momento do teste.

1. Backbone de Três Ramos com Aprimoramento de Estrutura Local

Para melhorar o delineamento de bordas críticas (PS e FH), os autores substituem backbones padrão por uma arquitetura de codificação compartilhada de três ramos:

• Contexto Global: Um ramo preserva o contexto global.
• Atenção Local: Dois ramos adicionais enfatizam regiões locais complementares usando um mecanismo de portão (gating). Mapas de portão espacial são previstos em características de baixa profundidade e alta resolução e multiplicados pixel a pixel com a entrada para formar visualizações complementares.
• Fusão: Os três fluxos compartilham um codificador para extrair características multi-escala, que são fundidas em cada escala e passadas para o decodificador. Esta arquitetura é treinada de ponta a ponta para melhorar a precisão e a estabilidade da previsão de bordas.

2. Modelagem Geométrica Guiada por Confiança

Em vez de depender exclusivamente de máscaras de segmentação binárias, o método utiliza mapas de confiança em nível de pixel ($S$) previstos pela rede:

• Ajuste de Contorno Ponderado: Pontos de borda são ponderados por sua confiança espacial. Um ajuste de elipse ponderado é realizado no contorno da FH para derivar parâmetros geométricos (centro, eixos, rotação).
• Cálculo do AoP: O AoP é computado com base na relação triangular entre o eixo da PS e a tangente da elipse da FH ajustada.
• Métrica de Confiabilidade ($C_{AoP}$): Uma pontuação de confiança do AoP é definida como a confiança espacial média dos pontos de borda-chave utilizados no cálculo geométrico. Esta métrica quantifica a confiabilidade da medição específica.

3. Adaptação no Momento do Teste Confiável Geometricamente (TTA)

Para lidar com desvios de domínio sem anotações de destino, os autores introduzem uma estratégia leve de TTA que atualiza apenas um pequeno subconjunto de parâmetros (parâmetros afins de camadas de normalização e camadas lineares) durante a inferência. O objetivo de otimização ($L_{tta}$) combina três restrições não supervisionadas:

• Minimização de Entropia ($L_{ent}$): Incentiva previsões de segmentação confiantes minimizando a entropia em nível de pixel, impulsionando distribuições de probabilidade de planas para nítidas.
• Regularização de Suavidade Espacial ($L_{tv}$): Usa Variação Total (TV) para penalizar discrepâncias de probabilidade entre pixels adjacentes, prevenindo a amplificação de ruído local e garantindo coerência espacial.
• Restrição Confiável Geometricamente ($L_{aop}$): Um termo novel que maximiza a confiança do AoP ($C_{AoP}$) minimizando $-\log(C_{AoP} + \epsilon)$. Isso restringe explicitamente as atualizações de segmentação para garantir que a medição geométrica resultante permaneça confiável e estável sob desvios de domínio.

Principais Contribuições

1. Framework Integrado: O primeiro framework a acoplar explicitamente a modelagem de confiabilidade de borda com o cálculo geométrico do AoP para mitigar a amplificação de erros em pipelines em cascata.
2. Aprimoramento Estrutural: Um backbone de três ramos com mecanismos de portão especificamente projetados para aprimorar a representação de estruturas delgadas (PS) e descontínuas (FH) em ultrassom ruidoso.
3. Adaptação Consciente da Geometria: Uma estratégia de TTA novel que utiliza a confiança do AoP como uma restrição de confiabilidade geométrica, permitindo inferência estável em domínios-alvo sem anotações.
4. Eficiência Leve: O processo de adaptação é computacionalmente eficiente, atualizando apenas parâmetros de camadas de normalização e lineares, tornando-o adequado para implantação online.

Resultados Experimentais

O método foi avaliado em dois benchmarks de domínio-alvo: JNU-IFM 23 e IUGC 24, utilizando o conjunto de dados PSFHS como domínio de origem.

• Desempenho no JNU-IFM 23: O R2AoP alcançou um erro de AoP de 6,21° (reduzindo o erro em 0,07° em comparação com o segundo melhor método, AoP-SAM). Também mostrou melhorias significativas nas métricas de borda, com uma Distância Simétrica Média de Superfície (ASD) de 3,12 mm para PS e 2,00 mm para FH.
• Desempenho no IUGC 24: O método demonstrou forte generalização, alcançando os melhores resultados em todas as métricas. O erro de AoP foi reduzido para 4,22°, com uma pontuação geral de Dice de 0,95 e uma ASD de 2,32 mm.
• Estudos de Ablação: A remoção de qualquer componente (backbone de três ramos, restrição geométrica, minimização de entropia ou suavização TV) resultou em degradação de desempenho. Notavelmente, a restrição de confiabilidade geométrica teve o impacto mais significativo no conjunto de dados IUGC 24, confirmando seu papel na estabilização de medições sob desvios de domínio severos.

Significado e Alegações

O artigo afirma que o R2AoP estabelece um paradigma consciente da geometria para medições obstétricas automatizadas. Seu significado principal reside em abordar a "instabilidade de longa data" causada pela amplificação de erros em pipelines de segmentação para medição.

Os autores afirmam que:

• A imposição de confiabilidade geométrica é crítica para tornar as medições automatizadas clinicamente utilizáveis, não apenas para melhorar métricas de segmentação.
• A formulação proposta é generalizável e pode ser estendida para outras medições dependentes de geometria em ultrassom e além.
• O framework fornece uma direção principiada para a implantação clínica robusta de sistemas de medição baseados em aprendizado, particularmente em cenários envolvendo condições de aquisição heterogêneas e desvios de domínio.

O código-fonte está disponível publicamente, e o trabalho foi apoiado pela Fundação Nacional de Ciências Naturais da China e pela Universidade Tsinghua.