A physics-informed neural network for improving surface reconstruction of intracranial saccular aneurysms via variational membrane equilibrium

Resumo Técnico: Rede Neural Informada pela Física para Reconstrução de Aneurisma Sacular Intracraniano

Definição do Problema
Os aneurismas saculares intracranianos (ASIs) representam um risco significativo à saúde, embora a avaliação atual do risco de ruptura específica para cada paciente seja limitada pela fidelidade da reconstrução de superfície a partir de imagens clínicas (Angiotomografia Computadorizada/Angiorressonância Magnética). Os pipelines de reconstrução convencionais dependem de técnicas de suavização matemática, como os critérios da curva L e filtragem Laplaciana discreta, para suprimir o ruído de imagem. No entanto, esses métodos tratam indiscriminadamente regiões de alta curvatura como ruído, erradicando assim características patológicas genuínas, como blebs propensos à ruptura, ao mesmo tempo em que falham em distinguir tais características de artefatos côncavos não físicos induzidos por limitações de hardware (ex: efeitos de volume parcial) e algoritmos de pós-processamento. Esses artefatos geométricos introduzem concentrações de tensão espúrias em simulações biomecânicas subsequentes, corrompendo o diagnóstico de risco de ruptura. Além disso, as abordagens existentes carecem de um mecanismo físico para diferenciar superfícies matematicamente suaves daquelas que satisfazem o equilíbrio biomecânico exigido por uma parede vascular pressurizada.

Metodologia
Os autores propõem um framework de Rede Neural Informada pela Física (PINN) que integra representações de superfície B-spline com mecânica variacional para reconstruir geometrias de ASI. O fluxo de trabalho procede da seguinte forma:

1. Aquisição de Dados e Parametrização: Dados clínicos de Angiorressonância/Angiotomografia são segmentados para extrair uma nuvem de pontos discreta. Esses dados não estruturados são mapeados em um domínio paramétrico estruturado $(u, v)$ usando um algoritmo de alinhamento orientado por norma e amostragem de grade, resultando em um tensor espacial de 3 canais.
2. Geração de Baseline: Uma superfície NURBS de baixa resolução é ajustada aos dados para gerar pontos de controle macro. Estes são upsampled via interpolação bicúbica para criar uma base de alta resolução ($P_{base}$) para refinamento de escala fina.
3. CNN Consistente com a Variedade (Manifold-Consistent CNN): Uma Rede Neural Convolucional (CNN) atua como um ansatz não linear para prever um campo de deslocamento de pontos de controle ($d$). Diferente das CNNs padrão, esta arquitetura emprega um esquema de "Padding Consistente com a Variedade": este padding customizado respeita as restrições topológicas da superfície vascular fechada, impondo periodicidade na costura circunferencial ($u=0, 1$), lidando com a convergência de polos singulares no ápice do domo ($v=0$) e aplicando extrapolação cúbica na fronteira aberta do colo ($v=1$).
4. Função de Perda Informada pela Física: A rede é otimizada via backpropagation usando uma função de perda composta ($L_{total}$) que equilibra três componentes:
   • Fidelidade de Dados ($L_{data}$): Minimiza o erro quadrático médio entre a superfície NURBS reconstruída e a nuvem de pontos medida.
   • Equilíbrio Variacional ($L_{equil}$): Incorpora a condição de estacionariedade da energia potencial total ($\delta\Pi = 0$) como uma restrição informada pela física. Este termo impõe o equilíbrio de membrana de Laplace ($\kappa_1 T_1 + \kappa_2 T_2 = P$), garantindo que a superfície reconstruída possa sustentar a pressão transmural. Isso efetivamente filtra artefatos côncavos não físicos (onde a curvatura média $H < 0$) enquanto preserva características de alta curvatura genuínas que satisfazem o equilíbrio mecânico.
   • Supressão Tangencial ($L_{tang}$): Penaliza o deslocamento dos pontos de controle ao longo do plano tangente, garantindo que as atualizações ocorram estritamente na direção normal para efetuar mudanças de forma físicas, em vez de mera reparametrização.

Principais Contribuições
O artigo identifica três contribuições primárias:

1. Discriminação de Artefatos Baseada em Biomecânica: O framework substitui o critério da curva L matemático pela perda de equilíbrio variacional ($\delta\Pi = 0$). Isso permite que o sistema distinga entre artefatos de imagem (que não podem sustentar pressão transmural) e características patológicas genuínas (blebs) com base na admissibilidade física, em vez de suavidade geométrica.
2. Ansatz de CNN Consistente com a Variedidade: O desenvolvimento de uma arquitetura de CNN especializada que preserva a topologia de superfície fechada das geometrias vasculares através de operações de padding customizadas, abordando as descontinuidades inerentes ao achatamento de variedades 3D em grades paramétricas 2D.
3. Reconstrução Impulsionada pelo Equilíbrio de Laplace: O estabelecimento de um pipeline de reconstrução que filtra o ruído enquanto preserva características de alta curvatura criticamente diagnósticas, resultando em uma superfície consistente com a homeostase mecânica da parede do aneurisma.

Resultos
O framework foi validado em um conjunto de dados clínicos de um ASI não rompido.

• Remoção de Artefatos: A otimização iterativa eliminou com sucesso artefatos côncavos não físicos (curvatura média negativa) presentes no baseline inicial de ajuste restrito. Na iteração 3000, o campo de curvatura era estritamente positivo ($H > 0$), consistente com uma membrana pressurizada.
• Otimização do Mapa de Risco: O mapa de risco resultante, derivado da razão de tensão ($\sigma_R$), mostrou um padrão espacialmente coerente. Zonas de alto risco concentraram-se no ápice do domo, alinhando-se com observações clínicas estabelecidas e achados intraoperatórios.
• Comparação com Métodos Convencionais: Em contraste, o método de suavização da curva L convencional produziu hotspots de risco espalhados e incoerentes ao longo da parede do vaso. A análise quantitativa revelou que qualquer aplicação de suavização da curva L ($\beta > 0$) alterava drasticamente a curvatura em locais de alto risco, sem janela de parâmetro viável para recuperar as características originais de alta curvatura. A abordagem PINN manteve a integridade dessas características enquanto removia o ruído.

Significância e Alegações
Os autores afirmam que este trabalho estabelece uma base de biomarcador computacional para a avaliação do risco de ruptura específica para cada paciente. Ao integrar o aprendizado profundo com as equações fundamentais da mecânica da parede do aneurisma, o framework fornece um método para reconstruir geometrias livres de artefatos diretamente de dados rotineiros de CTA/MRA sem medições invasivas. Os mapas de risco resultantes são consistentes com observações neurocirúrgicas (ruptura no ápice do domo), oferecendo uma ferramenta de planejamento pré-operatório e vigilância mais confiável do que as técnicas atuais de suavização matemática. O estudo une a modelagem geométrica e a análise mecânica, tratando a forma reconstruída como a configuração de equilíbrio da parede do aneurisma sob deformação.

Limitações e Direções Futuras
Os autores reconhecem que o modelo atual assume uma membrana elastostática isotrópica, negligenciando a variação da espessura da parede, a arquitetura de colágeno anisotrópica e o carregamento hemodinâmico pulsátil. A validação foi qualitativa, baseando-se na experiência neurocirúrgica em vez de comparação direta com locais de ruptura confirmados, em parte devido à raridade de rupturas de aneurismas de parede lateral em comparação com sítios de bifurcação. Trabalhos futuros visam estender o framework para NURBS de múltiplos patches para morfologias multilobadas complexas, incorporar interação fluido-estrutura (FSI) e permitir o rastreamento longitudinal da evolução de pontos fracos.