FlowPET: Physics-Informed Symplectic Flow Matching for Low-Count PET Reconstruction

Resumo Técnico: FlowPET: Fluxo de Casamento Simplético Informado pela Física para Reconstrução de PET de Baixa Contagem

Declaração do Problema
A reconstrução de Tomografia por Emissão de Pósitrons (PET) de baixa contagem enfrenta um desafio crítico: a recuperação fiel de sinais de lesões fracas, mas diagnosticamente vitais, em meio a altos níveis de ruído. Os paradigmas atuais de aprendizagem profunda lutam contra uma limitação geométrica fundamental. Abordagens determinísticas (ex: CNNs baseadas em regressão) sofrem de "regressão à média", suavizando excessivamente texturas de alta frequência e suprimindo lesões sutis. Por outro lado, modelos generativos estocásticos (ex: Modelos de Difusão, SDEs) dependem de dinâmicas dissipativas. Esses modelos induzem uma divergência estritamente negativa ($\nabla \cdot v < 0$) no espaço de fase, causando uma contração contínua de volume. Em regimes de baixa contagem, essa contração é indiscriminada; ela falha em distinguir entre ruído estocástico e características patológicas esparsas, levando à extinção numérica ou ao "lavagem" (wash-out) de sinais de lesões fracas antes que estruturas coerentes possam se formar.

Metodologia
Os autores propõem o FlowPET, um framework informado pela física que reformula a reconstrução de PET como um problema de transporte de preservação de volume dentro de um Espaço de Fase Simplético.

1. Elevação para o Espaço de Fase Simplético:
   Em vez de operar no manifesto de imagem padrão, o FlowPET eleva a reconstrução para um espaço de fase aumentado $Z = X \times P$, onde $X$ representa a posição da imagem e $P$ é um espaço de momento auxiliar. A dinâmica é governada por um Sistema Hamiltoniano Separável:
   $$H_\theta(t, x, p; y) = U_\psi(t, x; y) + K_\phi(t, p; y)$$
   onde $U_\psi$ é um termo de potencial (dependente apenas da posição) e $K_\phi$ é um termo cinético (dependente apenas do momento). Pelo Teorema de Liouville, esta estrutura garante um campo vetorial livre de divergência ($\nabla \cdot v = 0$), garantindo que o volume do espaço de fase ocupado por sinais fracos seja invariante e não artificialmente contraído.

2. Fronteiras Conjugadas Informadas pela Física:
   Para abordar a natureza mal definida do problema inverso sem depender da contração para a redução de ruído, o FlowPET introduz uma estratégia de Decomposição de Espaço-Núcleo e Imagem para as condições de contorno do fluxo:

   • Momento do Espaço-Imagem ($p_0$): Na fronteira de origem, o momento é inicializado para codificar o gradiente de consistência de dados (a "força restauradora"). Isso puxa a trajetória em direção ao manifesto de soluções consistentes com o sinograma medido.
   • Momento do Espaço-Nulo ($p_1$): Na fronteira de destino, a incerteza estocástica é injetada estritamente no subespaço ortogonal nulo do operador de PET. Isso confina a geração de texturas de alta frequência ao subespaço não observado, evitando a alucinação de artefatos que violam restrições físicas.

3. Casamento de Fluxo Simplético & Inferência:
   O modelo é treinado via Casamento de Fluxo Simplético (SFM), minimizando a perda de regressão entre o campo vetorial aprendido e a velocidade alvo definida pela interpolação linear dos estados de fronteira. Para inferência, os autores empregam um integrador de Leapfrog Simplético (Störmer–Verlet). Diferente de solvers padrão (ex: Runge-Kutta) que introduzem dissipação numérica, o integrador Leapfrog preserva o determinante Jacobiano unitário, garantindo a preservação exata do volume e o transporte sem perdas da incerteza do espaço nulo injetada para a reconstrução final.

Principais Contribuições

• Framework Generativo Simplético: O FlowPET utiliza dinâmica Hamiltoniana separável para garantir o transporte livre de divergência, prevenindo teoricamente a "lavagem do sinal" (signal wash-out) pervasiva em modelos de difusão dissipativos ao manter a invariância do volume do espaço de fase.
• Ortogonalidade Informada pela Física: A introdução de uma estratégia de decomposição Espaço-Imagem/Espaço-Nulo impõe rigorosamente a consistência de dados no espaço-imagem enquanto confina a exploração estocástica ao espaço nulo, resolvendo o compromisso entre fidelidade e diversidade.
• Inferência de Preservação de Estrutura: A implementação de um integrador Leapfrog simplético demonstra que a conservação geométrica estrita produz uma recuperação de lesões de baixo contraste superior em comparação com os baselines de estado da arte.

Resultados Experimentais
O FlowPET foi avaliado em três conjuntos de dados: BrainWeb (20% de contagem), um conjunto de dados pediátrico interno (1% de contagem) e UDPET Brain (1% de contagem).

• Desempenho Quantitativo: O FlowPET alcançou resultados de estado da arte em todas as métricas (SSIM, PSNR, RMSE). Notavelmente, superou tanto métodos determinísticos quanto baselines estocásticos (ex: IR-SDE, DREAM, FourierPET) em SSIM e PSNR, mantendo um RMSE menor, indicando uma recuperação de textura superior sem artefatos de ruído.
• Análise Qualitativa: Comparações visuais em exames pediátricos revelaram que os baselines dissipativos exibiam "lavagem do sinal" em regiões de lesões fracas. O FlowPET recuperou com sucesso essas estruturas de baixo contraste, mostrando fidelidade estrutural mais próxima da referência de contagem total.
• Análise de Recuperação de Sinal: Uma análise de trajetória rastreando as razões de Valor de Captação Padrão (SUV) demonstrou que, enquanto os solvers dissipativos causavam saturação e colapso prematuros do sinal, o FlowPET exibiu uma recuperação monotônica sustentada em direção ao ground truth, confirmando a proteção da massa do sinal da lesão contra a extinção numérica.

Significância
O artigo afirma que o FlowPET oferece uma salvaguarda geométrica robusta para problemas inversos médicos em regimes de alto ruído. Ao mudar da contração dissipativa para o transporte simplético conservativo, o método aborda o modo de falha específico dos modelos generativos atuais, onde sinais de lesões fracos, porém críticos, são perdidos. O trabalho estabelece que impor restrições estruturais Hamiltonianas não é meramente uma ferramenta para simulação física, mas um mecanismo necessário para a conservação de informação em problemas inversos mal definidos, garantindo que a massa de probabilidade seja transportada em vez de extinta.