What neurosurgeons need to see: synthetic intra-operative MRI from ultrasound for brain-shift compensation in brain tumour surgery

Resumo Técnico: RM Intraoperatória Sintética a partir de Ultrassom para Compensação de Deslocamento Cerebral

1. Definição do Problema

Na cirurgia de glioma, o objetivo principal é a ressecção máxima segura. Embora os sistemas de neuronavegação dependam de RM pré-operatória de alta resolução, sua precisão degrada-se significativamente após a abertura da dura-máter devido ao deslocamento cerebral (brain shift) — uma deformação contínua de tecido mole causada pela drenagem de líquido cefalorraquidiano, gravidade, remoção de tecido e manipulação cortical. Este deslocamento pode atingir 20–25 mm na superfície cortical.

As soluções atuais enfrentam um compromisso (trade-off):

• RM intraoperatória (iMRI): Fornece a atualização anatômica mais precisa, mas requer infraestrutura dedicada, prolonga a cirurgia e não é amplamente disponível.
• Ultrassom intraoperatório (ioUS): É barato, repetível e compatível com fluxos de trabalho padrão, mas sofre de limitações informacionais. Ele apenas imagem a abertura cirúrgica em um contraste de speckle que difere qualitativamente da RM pré-operatória. Além disso, o registro deformável padrão entre a RM pré-operatória e o ioUS não consegue representar novas estruturas anatômicas formadas durante a cirurgia, especificamente a cavidade de ressecção e o tumor residual, porque a RM pré-operatória não contém voxels para se deformarem nesses novos espaços.

O desafio central é gerar uma RM sintética de cérebro inteiro (siMRI) que reflita o estado pós-ressecção (incluindo a cavidade) dentro do campo de visão (FOV) do ultrassom, preservando a anatomia pré-operatória fora do FOV, tudo isso sem exigir infraestrutura de iMRI.

2. Metodologia

Os autores propõem um pipeline de ponta a ponta que gera uma siMRI de cérebro inteiro no espaço de imagem pré-operatória do paciente utilizando uma única aquisição de ioUS pós-ressecção e a RM pré-operatória. O pipeline consiste em três etapas principais:

A. Síntese de Cruzamento de Modalidades (Ultrassom para RM)

• Seleção do Backbone: Os autores avaliaram três famílias arquitetônicas (ResViT-2.5D, ResViT-3D e SynDiff-2.5D) no conjunto de dados ReMIND. Eles selecionaram o ResViT-2.5D, um híbrido de resíduo-transformer, para implantação.
• Racional: Embora o ResViT-3D oferecesse alta qualidade de pico no espaçamento de treinamento, o ResViT-2.5D demonstrou maior robustez a mudanças de espaçamento de aquisição (variações de sonda e protocolo) e custos de inferência significativamente menores (~26s vs ~2min por sujeito). Crucialmente, contra a referência T2 intraoperatória (que inclui a cavidade de ressecção), o ResViT-2.5D superou a variante 3D, provavelmente porque sua inferência fatia a fatia absorveu melhor os desajustes geométricos da anatomia pós-ressecção.
• Processo: A rede recebe um empilhamento de 5 fatias axiais de ioUS e gera a fatia de RM central correspondente. Um protocolo de reamostragem "match-and-back" preenche a lacuna entre o espaçamento bruto do scanner de ioUS e o espaçamento de treinamento da rede.

B. Registro Deformável

• Pipeline de Dois Estágios: O pipeline combina um solver clássico com um refinamento baseado em aprendizado:
  1. Estágio Clássico: NiftyReg (reg_aladin para rígido/afim + reg_f3d para não-rígido) usando a métrica de similaridade MIND-SSC. Isso alinha a RM pré-operatória ao ioUS.
  2. Estágio Baseado em Aprendizado: SynthMorph, uma rede de campo de deslocamento baseada em aprendizado. Crucialmente, este estágio é ancorado na síntese: ele registra a RM sintética (gerada no Estágio A) contra a RM pré-operatória deformada.
• Motivação: O registro direto de ioUS bruto para RM usando redes baseadas em aprendizado produz pequenos deslocamentos porque as distribuições de intensidade são muito dissimilares. Ao ancorar o estágio de aprendizado à RM sintética (que é semelhante a uma RM), a rede atua como um corretor residual fino em um cenário de RM versus RM.
• Resultado: Este estágio não melhora significativamente o Erro de Registro de Alvo (TRE) em relação ao baseline clássico, mas fornece um campo de deformação difemórfico suave ancorado à aparência sintética, o que é necessário para a etapa de composição.

C. Composição de Cérebro Inteiro

• Integração: A siMRI final é construída fundindo dois volumes no espaço de imagem pré-operatória:
  • Dentro do FOV: A saída do histograma ajustado da rede de síntese (refletindo a anatomia pós-ressecção e a cavidade).
  • Fora do FOV: A RM pré-operatória deformada pela transformação de registro composta.
• Transição: Uma transição com suavização Gaussiana (σ = 5 mm) funde as duas regiões para evitar costuras de intensidade abruptas.
• Mapeamento de Confiança: Um mapa de confiança por voxel é gerado usando Aumento de Tempo de Teste (TTA) no backbone ResViT-2.5D. Regiões com alta discordância entre entradas aumentadas são sinalizadas como de baixa confiança, fornecendo um sinal de segurança para o cirurgião.

3. Principais Contribuições

1. Seleção de Backbone para Implantação: Um estudo comparativo identificando o ResViT-2.5D como o backbone ideal para implantação clínica, equilibrando qualidade de imagem, robustez a mudanças de espaçamento e velocidade de inferência.
2. Evidência Controlada sobre Síntese-Registro: O artigo fornece evidências de que a síntese de uma RM a partir de ioUS não melhora o Erro de Registro de Alvo (TRE) de marcos (landmarks) em comparação com um forte baseline clássico (NiftyReg com MIND-SSC). O estágio de aprendizado ancorado na síntese serve para produzir uma tela de RM deformada geometricamente plausível, em vez de aumentar a precisão do registro.
3. Pipeline de siMRI de Ponta a Ponta: O primeiro pipeline relatado que entrega uma RM sintética de cérebro inteiro no espaço de imagem pré-operatória. Diferente do registro isolado, este volume representa explicitamente a cavidade de ressecção e o tumor residual dentro do FOV do ultrassom, enquanto preserva o contexto pré-operatório.

4. Resultados

Avaliado em um subconjunto de 14 sujeitos da coorte ReMIND (215 marcos colocados por especialistas):

• Qualidade de Síntese: O ResViT-2.5D alcançou um SSIM médio de 0.710 e PSNR de 14.96 dB contra o T2 intraoperatório.
• Precisão de Registro:
  • Inicial (Referencial de Mundo): 6.27 mm TRE.
  • Baseline Clássico (NiftyReg): 5.85 mm TRE.
  • Pipeline Proposto: 5.86 mm TRE.
  • Conclusão: O pipeline proposto iguala o baseline clássico (p = 0.76) e melhora significativamente em relação ao alinhamento inicial de referencial de mundo (p = 0.04). A ponte de síntese não gerou um ganho estatisticamente significativo no TRE.
• Plausibilidade Geométrica: A transformação composta foi livre de dobras (0% de dobras) para todos os 14 sujeitos. O pipeline proposto mostrou um SDLogJ ligeiramente maior (0.080) em comparação com o baseline clássico (0.007), refletindo o maior resíduo não-rígido tratado pelo estágio SynthMorph, mas permaneceu difemórfico.
• Validação do Mapa de Confiança: O mapa de confiança baseado em TTA mostrou uma correlação positiva (embora modesta) com o erro de síntese (Spearman ρ = +0.200) e a menor Área Sob o Erro de Esparsificação (AUSE), validando sua utilidade como auxílio de implantação.

5. Significância e Alegações

Os autores afirmam explicitamente que a principal contribuição deste trabalho não é um ganho na precisão do registro, mas a geração do próprio volume integrado de cérebro inteiro.

• Valor Clínico: O pipeline fornece ao cirurgião uma atualização "semelhante à RM" do campo operatório que inclui a cavidade de ressecção — uma característica impossível de gerar via deformação da RM pré-operatória isoladamente.
• Integração ao Fluxo de Trabalho: Opera em entradas brutas de scanner sem exigir alinhamento manual ou segmentação de tumor/cavidade, tornando-o adequado para integração em fluxos de trabalho de navegação cirúrgica existentes.
• Modéstia: O artigo reconhece que a precisão do registro (5.86 mm) é limitada pela dificuldade inerente do deslocamento cerebral pós-ressecção e pela variabilidade inter-observador dos marcos (~1.89 mm). O valor reside em fornecer uma representação visual da anatomia atual (incluindo a cavidade) em vez de alcançar precisão de registro submilimétrica.
• Segurança: A inclusão de um mapa de confiança aborda preocupações de segurança relativas ao uso de imagens sintéticas, sinalizando regiões onde a previsão da síntese pode não ser confiável.

Em resumo, o trabalho demonstra que, embora a síntese de cruzamento de modalidades não necessariamente melhore as métricas de registro, ela é essencial para reconstruir o conteúdo do céreão intraoperatório (a cavidade), oferecendo assim uma alternativa prática e sem necessidade de infraestrutura à iMRI para compensação de deslocamento cerebral.