BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT

Resumo Técnico: BREIT e dFNO-bar para Reconstrução de AVC em 3D por MF-EIT

Definição do Problema
A Tomografia de Impedância Elétrica Multifrequencial (MF-EIT) oferece uma alternativa promissora, não invasiva e portátil à TC/RM para a avaliação rápida de AVC, capaz de monitoramento contínuo via eletrodos no couro cabeludo. No entanto, o desenvolvimento de métodos de reconstrução de aprendizado profundo 3D para MF-EIT é dificultado por dois problemas principais: (1) a falta de conjuntos de dados em larga escala contendo volumes de verdade fundamental (GT) pareados e medições de contorno, e (2) pipelines não padronizados para geração de dados, simulação e avaliação. A literatura existente frequentemente baseia-se em suposições de modelagem inconsistentes, fluxos de trabalho 2D simplificados ou carece de ferramentas integradas para benchmarking sistemático, tornando difíceis as comparações reproduzíveis entre diferentes tipos de AVC e conjuntos de dados.

Metodologia
Os autores apresentam o BREIT, um framework modular projetado para unificar a geração de admitância baseada em radiologia, simulação realista de MF-EIT e benchmarking de aprendizado profundo. O framework opera através do seguinte pipeline:

1. Pipeline de Neuroimagem-para-EIT:

   • Fonte de Dados: O pipeline é ancorado na coorte pública de AVC MF-EIT da UCLH, mas estende-se a conjuntos de dados externos de RM/TC (isquêmico, hemorrágico e saudável) para aumentar os dados de treinamento.
   • Segmentação e Mapeamento: Escaneamentos de CT/RM específicos do sujeito são registrados ao espaço padrão MNI152. A segmentação de tecidos (Matéria Cinzenta, Matéria Branca, LCR) e a segmentação de lesões (Isquêmica ou Hemorrágica) são realizadas utilizando ferramentas como FSL, ANTs e DeepBleed.
   • Geração de Admitância: Uma segmentação de 4 classes é mapeada para uma admitância complexa dependente da frequência ($\gamma = \sigma + i\omega\epsilon$) usando valores da literatura através de 17 frequências (5–2000 Hz), gerando 17 volumes de admitância GT por sujeito.

2. Simulação Direta (3D CEM):

   • Um solver autossuficiente em Python implementa o Modelo de Eletrodo Completo (CEM) 3D utilizando o Método de Elementos Finitos (FEM).
   • Ele simula tensões de MF-EIT em malhas cefálicas realistas (malha fina $\approx$ 1M de tetraedros para simulação, malha grossa $\approx$ 75k para reconstrução) usando a geometria de eletrodos da UCLH e protocolos de injeção.
   • O solver foi validado contra a biblioteca EIDORS e medições clínicas da UCLH, mostrando alta correlação ($r \approx 0,82$ média) e baixo erro quadrático médio normalizado.

3. Algoritmo de Reconstrução (dFNO-bar):

   • Fundação D-bar 3D: O framework implementa um método de reconstrução D-bar 3D que suporta layouts de eletrodos não uniformes. Ele utiliza pesos de área de superfície de Voronoi esféricos para lidar com distribuições de eletrodos não uniformes e computa dados de espalhamento ($t(\xi)$) usando aproximações de $t_{exp}$ e $t_0$.
   • Arquitetura dFNO-bar: O modelo proposto dFNO-bar integra Operadores Neurais de Fourier (FNO) com a estrutura D-bar.
     • Entrada: Aceita dados de espalhamento complexos $t_0(\xi)$ computados em quatro diferentes raios de truncamento ($T_\xi \in \{5, 7, 9, 11\}$), empilhando partes reais e imaginárias para formar um volume de entrada de 8 canais.
     • Processamento: Um bloco FNO 3D aprende o mapeamento do domínio de espalhamento para um volume de condutividade grosseiro. Isso é seguido por um decodificador U-Net 3D leve que refina a previsão concatenando a saída grosseira com a entrada de espalhamento original de 8 canais (total de 9 canais).
     • Saída: A saída final é a condutividade reconstruída $\sigma(x) = \Re\{\gamma\}$.

Principais Contribuições

1. Geração de Dados Multimodal: Um pipeline que converte CT/RM em volumes de admitância dependentes da frequência 3D pareados com tensões de MF-EIT simuladas, abordando a escassez de dados GT.
2. Ferramental 3D CEM + D-bar: Uma implementação em Python de componentes D-bar 3D, incluindo suporte para layouts de eletrodos não uniformes via ponderação de Voronoi.
3. Modelo dFNO-bar: Um novo modelo de reconstrução combinando dados de espalhamento de múltiplas truncagens D-bar com FNO e refinamento U-Net para aprender o mapeamento de espalhamento-para-condutividade.
4. Base de Código Modular: Um framework end-to-end e reproduzível para geração, treinamento e avaliação entre tipos de AVC, facilitando o benchmarking padronizado.

Resultos
Os autores avaliaram o dFNO-bar contra baselines clássicos (Gauss-Newton de passo único, D-bar) e um baseline de aprendizado profundo (Deep D-bar) utilizando dados sintéticos (250 casos isquêmicos, 219 hemorrágicos, 193 saudáveis) com adição de ruído (50 dB, 40 dB).

• Desempenho Quantitativo: O dFNO-bar alcançou o maior Índice de Similaridade Estrutural (SSIM) em todos os níveis de ruído. Por exemplo, em condições sem ruído, o dFNO-bar alcançou um SSIM de 44,13 comparado aos 40,09 do Deep D-bar e 0,25 do D-bar. O Coeficiente de Correlação (CC) foi comparável ao Deep D-bar em configurações com ruído, mas ligeiramente superior em condições sem ruído.
• Significância Estatística: Testes pareados mostraram ganhos significativos de SSIM para o dFNO-bar sobre o Deep D-bar ($p \ll 0,01$) em todas as configurações de ruído.
• Eficiência: O dFNO-bar utilizou menos parâmetros (67,2M vs 90,3M) e menos memória (0,59 GB vs 0,69 GB) do que o Deep D-bar, embora com um tempo de inferência ligeiramente maior (0,32s vs 0,23s).
• Qualidade Visual: Comparações qualitativas demonstraram que o dFNO-bar forneceu previsões mais precisas da localização da lesão, forma e estrutura cerebral em comparação com os métodos concorrentes.

Significância
O artigo posiciona o BREIT como um passo crítico para a pesquisa reproduzível e padronizada em reconstrução de AVC por 3D MF-EIT. Ao fornecer um framework unificado que une neuroimagem, simulação realista e aprendizado profundo, ele aborda a fragmentação nas suposições de modelagem e detalhes de simulação atuais. Os autores afirmam que o dFNO-bar demonstra que a integração de Operadores Neurais de Fourier na estrutura D-bar pode melhorar a qualidade da reconstrução (especificamente o SSIM) mantendo a eficiência. O trabalho visa acelerar o desenvolvimento de métodos de 3D MF-EIT robustos para avaliação de AVC em tempo sensível, com trabalhos futuros planejados para abordar a avaliação clínica via métodos de fronteira parcial e maior diversidade anatômica.