Resumo Técnico: VITO – Estimativa de Geometria Vascular e Fluxo Sanguíneo Usando Otimização de Topologia Inversa

Definição do Problema

A avaliação de doenças cardiovasculares (DCV) depende fortemente de descritores hemodinâmicos como a Tensão de Cisalhamento de Parede (WSS - Wall Shear Stress) e a Reserva de Fluxo Fracionada (FFR), que são derivados de geometrias vasculares específicas de cada paciente. Os fluxos de trabalho clínicos padrão utilizam Tomografia Computadorizada com Contraste (CE-CT) para reconstruir essas geometrias. No entanto, os pipelines convencionais — tipicamente envolvendo Retroprojeção Filtrada (FBP) ou reconstrução iterativa seguida de segmentação — enfrentam dificuldades com aquisições resolvidas no tempo, caracterizadas por medições esparsas e ruidosas devido às restrições de dose de radiação e artefatos de movimento fisiológico. Essas limitações levam a artefatos de subamostragem, resultando em imprecisões geométricas, como ramos ausentes ou estenoses artificiais.

Além disso, métodos inversos existentes com restrição física para hemodinâmica frequentemente assumem uma geometria fixa e pré-segmentada. Impor a física do fluxo a uma geometria fixa errônea produz campos de fluxo válidos, porém não representativos, falhando em capturar parâmetros hemodinâmicos críticos. Embora alguns trabalhos recentes tenham tentado reconstruir geometria e fluxo conjuntamente, eles geralmente dependem de imagens de velocidade medidas (ex: de RM) em vez de recuperar a geometria diretamente de dados de projeção bruta de CT (sinogramas). Existe uma lacuna em frameworks capazes de recuperar conjuntamente a topologia vascular e os parâmetros de fluxo diretamente de sinogramas de CE-CT esparsos e ruidosos sem suposições geométricas a priori.

Metodologia

Os autores propõem o VITO, um framework de reconstrução com restrição física que formula a recuperação da geometria vascular como um problema de Otimização de Topologia (TO) baseado em densidade. Em vez de tratar a geometria como uma entrada fixa, o lúmen vascular é tratado como uma variável de design desconhecida.

Estrutura Central

O método resolve um problema inverso onde o objetivo é encontrar uma distribuição fluido-sólida que, quando submetida às leis físicas governantes, produza dados de projeção simulados que correspondam aos sinogramas esparsos adquiridos.

1. Representação de Design:

   • O domínio computacional é discretizado em elementos de malha, cada um atribuído a uma variável de pseudo-densidade $\gamma_e \in [0, 1]$.
   • $\gamma = 0$ representa fluido (lúmen vascular) e $\gamma = 1$ representa sólido (tecido/paredes).
   • As propriedades do material são interpoladas usando o esquema de Aproximação Racional de Propriedades de Materiais (RAMP).
     • Penalidade de Brinkman ($\alpha$): Uma grande penalidade em regiões sólidas suprime a velocidade do fluido, efetivamente impondo condições de não-deslizamento (no-slip) sem rastreamento explícito de fronteiras.
     • Difusividade ($D$): Limita o transporte do agente de contraste em regiões sólidas para evitar difusão artificial.

2. Física Governante (Modelo de Propagação):

   • Fluxo Estacionário: As equações de Navier-Stokes incompressíveis são resolvidas usando o termo de penalização de Brinkman para modelar o campo de velocidade do fluido $\mathbf{u}$.
   • Transporte Transiente: Uma equação de advecção-difusão transiente modela o transporte da concentração do agente de contraste $c$, impulsionada pelo campo de velocidade estacionário $\mathbf{u}$ e condições de contorno de entrada variantes no tempo.
   • Projeção Direta: O campo de concentração resultante no tempo é mapeado para o espaço de medição usando um operador de projeção de feixe paralelo diferenciável baseado na lei de Beer-Lambert. Isso gera sinogramas preditos $\hat{g}$.

3. Ciclo de Otimização:

   • Função Objetivo: O Erro Quadrático Médio (MSE) entre os sinogramas preditos e os dados de sinograma esparsos/ruidosos adquiridos ($g_{data}$).
   • Variáveis de Design: O campo de pseudo-densidade $\gamma$ (geometria) e os parâmetros de escala de velocidade de entrada $a$ (condições de fluxo).
   • Análise de Sensibilidade: O framework utiliza o ecossistema JAX para implementar um pipeline diferenciável de ponta a ponta.
     • Teorema da Função Implícita (IFT): Utilizado para calcular as sensibilidades para o solver de Navier-Stokes estacionário, evitando o custo de memória de desenrolar (unrolling) os passos iterativos de Newton-Raphson.
     • Checkpointing: Empregado para o solver de advecção-difusão transiente para gerenciar o uso de memória durante a diferenciação automática (AD) de modo reverso através dos passos de tempo.
   • Otimizador: O Método das Assíntotas Móveis (MMA) é usado para atualizar as variáveis de design. Estratégias de continuação (aumentando gradualmente a penalização e a nitidez da projeção) são empregadas para conduzir a solução para uma topologia binária fluido-sólido e evitar mínimos locais.

Principais Contribuições

• Reconstrução Inversa Conjunta: O artigo introduz um framework unificado que recupera a topologia vascular e os parâmetros de fluxo de entrada simultaneamente a partir de sinogramas brutos de CT, eliminando a necessidade de uma geometria pré-segmentada.
• Regularização Baseada em Física: Ao acoplar o problema inverso com as equações de Navier-Stokes estacionárias e de advecção-difusão transiente, o método regulariza a reconstrução usando a física hemodinâmica, em vez de apenas priors de imagem.
• Pipeline Multifísico Diferenciável: A implementação aproveita a diferenciação automática (JAX) para lidar com as sensibilidades complexas de sistemas acoplados de fluido-transporte-projeção, incluindo o uso de IFT e checkpointing para tornar a otimização computacionalmente tratável.
• Robustez a Limitações de Dados: O framework é explicitamente projetado para lidar com condições de aquisição de visão esparsa e ruidosa, típicas de CT de baixa dose ou de aquisição rápida.

Resultados Experimentais

O método foi validado em fantoms sintéticos representando três cenários vasculares:

1. Artéria Bifurcada: Recuperou com sucesso a topologia da bifurcação e as escalas de fluxo de entrada a partir de sinogramas esparsos.
2. Artéria Estenosada: Reconstruiu com precisão um estreitamento localizado de 50% no lúmen (estenose) e os parâmetros de fluxo.
3. Bifurcação Carotídea Estenosada: Recuperou uma geometria complexa combinando uma bifurcação e uma estenose assimétrica.

Métricas de Desempenho:

• Precisão: As geometrias reconstruídas atingiram altos Coeficientes de Similaridade de Dice (DSC > 0,99) e baixos Erros Quadráticos Médios normalizados (nRMSE) em comparação com o ground truth em todos os benchmarks.
• Robustez a Ruído e Escassez: Em experimentos envolvendo dados ultra-esparsos (10 projeções) e altos níveis de ruído (25% de ruído Gaussiano relativo), o método proposto manteve a consistência topológica (DSC = 0,9830). Em contraste, um approach de baseline FBP com limiarização (thresholding) sofreu com distorção de bordas, artefatos e perda de continuidade de ramos sob condições semelhantes.
• Estimativa de Fluxo: O framework recuperou com sucesso parâmetros de escala de fluxo de entrada próximos da unidade (valor real), demonstrando sua capacidade de inferir condições de contorno junto com a geometria.

Significância e Alegações

O artigo alega que a integração da hemodinâmica subjacente no processo de reconstrução fornece uma regularização geométrica robusta, permitindo a recuperação de características vasculares complexas (bifurcações, estenoses) diretamente de dados de projeção clínica esparsos. Esta abordagem aborda a limitação crítica dos fluxos de trabalho atuais, onde erros geométicos se propagam para a análise hemodinâmica.

Os autores posicionam este trabalho como um passo significativo em direção à análise vascular confiável a partir de dados clínicos esparsos. Eles declaram explicitamente que o estudo atual é limitado a fluxo estacionário 2D e fronteiras rígidas. O trabalho futuro é identificado como necessário para estender o framework para fluxo transiente 3D, incorporar interação fluido-estrutura (FSI) para paredes elásticas, tratar localizações de entrada/saída como incógnitas, quantificar incertezas e adaptar o operador de projeção para geometrias de scanners específicos (ex: CT de feixe em leque). O artigo não reivindica implantação clínica imediata, mas estabelece a base matemática e computacional para tais aplicações.