Resumo Técnico: STRIQ – Registro Invariante Semântico e Topológico Guiado por Subespaço para Controle de Qualidade de Planos de Ultrassom sem Anotação

1. Declaração do Problema

A imagem por ultrassom é crítica para a triagem e diagnóstico pré-natal, mas sua confiabilidade depende fortemente da expertise do operador e das condições de aquisição. A qualidade subótima da imagem pode aumentar as taxas de diagnóstico errado em até 30% em aplicações clínicas específicas. As abordagens atuais de Controle de Qualidade (QC) automatizado enfrentam três limitações primárias:

1. Abordagens de pseudo-rótulos: Estas dependem de agrupamento no espaço de características para gerar rótulos substitutos, mas são altamente sensíveis às deformações espaciais ubíquas no ultrassom clínico, levando a resultados enviesados sob variações morfológicas.
2. Métodos de detecção de estrutura: Estes inferem a qualidade a partir da confiança em marcos anatômicos, mas frequentemente negligenciam o contexto perceptivo e exigem anotações manuais extensas.
3. Métodos de IQA de propósito geral: Técnicas padrão de avaliação de qualidade de imagem (IQA) transferem-se mal para imagens médicas devido à lacuna de domínio entre a imagem natural e a imagem médica.

Crucialmente, os métodos existentes falham em modelar explicitamente as transformações geométricas subjacentes à degradação da qualidade ou em aproveitar a invariância topológica como um prior de avaliação. Além disso, aplicar uma única rede de registro através de planos anatômicos heterogêneos frequentemente resulta em "transferência negativa", onde conhecimentos específicos de planos conflitantes degradam o desempenho geral.

2. Metodologia: Framework STRIQ

Os autores propõem o STRIQ (Registro Invariante Semântico e Topológico Guiado por Subespaço), um framework orientado a registro que reformula o QC de ultrassom sem anotação como um problema de medição de consistência guiada por subespaço. O framework consiste em dois módulos principais:

2.1 Alinhador de Registro Latente (LRA)

O LRA estabelece correspondências hierárquicas no espaço de características entre imagens de consulta e âncoras de referência orientadas por variância (protótipos).

• Alinhamento Hierárquico: Utilizando um codificador Siamese, o LRA extrai características em múltiplos níveis. Emprega uma série em cascata de redes de localização para prever transformações afins ($\Theta_l \in SE(2)$) em cada nível, alinhando progressivamente características da fonte desde limites finos de tecidos até o posicionamento global do órgão.
• Aprendizado de Consistência: O LRA é otimizado via três funções de perda complementares para impor fidelidade semântica, estrutural e topológica:
  • Alinhamento Semântico ($L_{sim}$): Maximiza a similaridade cosseno entre características normalizadas em $\ell_2$ em uma hipersfera unitária.
  • Restrição Estrutural Local ($L_{NCC}$): Utiliza Correlação Cruzada Normalizada (NCC) no espaço de características, que é inerentemente invariante a transformações de intensidade afins comuns no ultrassom.
  • Regularizador de Suavidade ($L_{smooth}$): Penaliza a norma de Frobenius ao quadrado do jacobiano do campo de deslocamento para garantir plausibilidade anatômica e coerência geométrica através dos níveis.

2.2 Módulo de Subespaço de Conhecimento Ortogonal (OKS)

Para mitigar a transferência negativa ao processar planos anatômicos heterogêneos (por exemplo, rosto fetal versus coração), o módulo OKS decompõe representações em subespaços mutuamente ortogonais.

• Decomposição de Subespaço: Para cada plano anatômico $c$, o OKS mantém um especialista de baixo posto $E_c = B_c A_c$. O espaço de conhecimento é gerado por vetores de base que encapsulam dimensões distintas de conhecimento.
• Fiscalização de Ortogonalidade: Um termo de perda ($L_{orth}$) minimiza a sobreposição representacional entre qualquer par de subespaços, garantindo que representações específicas de planos permaneçam distintas.
• Seleção Adaptativa e Supressão de Conflito:
  • Durante a inferência, o OKS monta dinamicamente um "Especialista de Sinergia" fundindo as bases de subespaço mais relevantes para a entrada de especialistas específicos de planos e de um especialista geral compartilhado.
  • Uma máscara binária identifica parâmetros "propensos a conflito" (compartilhados entre planos) versus regiões "livres de conflito".
  • Os gradientes para o especialista geral são projetados no complemento ortogonal do espaço de conhecimento anterior, suprimindo seletivamente interferências em subespaços propensos a conflitos, enquanto preservam o fluxo direto de gradientes em outros lugares.

2.3 Inferência de Pontuação de Qualidade

O sistema seleciona âncoras de referência via um critério de espectro de variância, escolhendo imagens com variância mínima de incorporação de características intra-classe para servir como protótipos estáveis. A pontuação final de qualidade $Q(I_C)$ para uma imagem de consulta é calculada como o inverso da distância média (baseada em métricas semânticas, NCC e de suavidade) entre a consulta e o conjunto de âncoras de referência.

3. Contribuições Principais

1. Framework STRIQ: Um framework de QC orientado a registro que integra priores de invariância topológica na medição de similaridade em nível de características, permitindo avaliação sem anotação para cenários intra-procedimento (tempo real) e pós-procedimento.
2. Módulos Arquiteturais Novos:
   • LRA: Realiza alinhamento hierárquico no espaço latente para resolver a sensibilidade à deformação espacial.
   • OKS: Decompõe representações em subespaços ortogonais e discriminativos de planos para prevenir conflito de conhecimento inter-plano.
3. Validação Empírica: Avaliação extensa nos conjuntos de dados internos US4QA (ultrassom fetal) e públicos CAMUS (cardíaco) demonstra que o STRIQ alcança correlação com pontuações de qualidade clínica superior ao estado da arte, mantendo velocidades de inferência em tempo real (~5,6 ms/quadro).

4. Resultados Experimentais

Os autores avaliaram o STRIQ contra métodos tradicionais de NR-IQA (BRISQUE, MSSIM), métodos de detecção de estrutura (Pontuação Ponderada), métodos de IQA não supervisionados (ARNIQA, SFD-IQA) e o SOTA baseado em pseudo-rótulos (CRL-UIQA).

• Desempenho Quantitativo: O STRIQ alcançou o maior Coeficiente de Correlação de Rango de Spearman (SRCC) em todos os planos testados.
  • No US4QA, o STRIQ teve uma média de 0,845 SRCC, superando o melhor anterior (CRL-UIQA, 0,779) em +6,6%. A melhoria foi mais significativa nos planos de Rim e Rosto, onde métodos de pseudo-rótulos sofrem com colapso de incorporação induzido por deformação.
  • No CAMUS, o STRIQ teve uma média de 0,771 SRCC, superando o CRL-UIQA em +7,8%.
• Estudos de Ablação: A remoção do módulo OKS causou a queda mais acentuada de desempenho (SRCC médio 0,793, $p<0,01$), confirmando a necessidade de decomposição de subespaço ortogonal. Da mesma forma, a remoção do LRA hierárquico reduziu o desempenho para 0,749, destacando a importância do alinhamento multi-escala.
• Robustez: A análise qualitativa mostrou que o STRIQ atribui pontuações monotonicamente decrescentes à medida que estruturas anatômicas se tornam incompletas ou artefatos se acumulam, enquanto métodos concorrentes produziram previsões erráticas sob deformação geométrica.

5. Significado e Alegações

O artigo alega que o STRIQ estabelece um novo paradigma para controle de qualidade de ultrassom confiável, em tempo real e sem anotação. Ao reclassificar o QC como um problema de medição de consistência fundamentado em registro guiado por subespaço, o método supera a instabilidade do pseudo-rótulo sob deformações complexas e os erros estruturais prevalentes em esquemas de ponderação pesados em anotação.

Os autores enfatizam que o STRIQ não apenas transfere métricas gerais de IQA, mas modela explicitamente as transformações geométricas subjacentes à degradação da qualidade. A capacidade do framework de manter inferência de alta velocidade enquanto alcança alinhamento clínico superior sugere sua viabilidade para implantação tanto em orientação de aquisição em tempo real quanto em auditoria clínica retrospectiva. O código é disponibilizado para facilitar pesquisas adicionais neste domínio.