Dense Optical Flow and U-Net Segmentation for Automated Circumferential Strain Mapping in Abdominal Aortic Aneurysms

Resumo Técnico: Fluxo Óptico Denso e Segmentação U-Net para Mapeamento Automatizado de Deformação Circunferencial em Aneurismas de Aorta Abdominal

Definição do Problema
A ruptura de um Aneurisma de Aorta Abdominal (AAA) acarreta uma alta taxa de mortalidade, embora a tomada de decisão clínica atual dependa do diâmetro máximo (55 mm), o que carece de sensibilidade para prever a ruptura em aneurismas menores. Índices biomecânicos, especificamente a deformação (strain) da parede circunferencial, oferecem um valor preditivo superior. No entanto, derivar esses índices a partir de ultrassonografia (US) B-mode 2D é dificultado por dois gargalos críticos:

1. Segmentação Manual: Os fluxos de trabalho atuais exigem operadores treinados para delinear manualmente a fronteira do lúmen do AAA (5–15 minutos por sequência), impedindo a escalabilidade e a aplicação em tempo real.
2. Limitações de Rastreamento Esparso: Os métodos dominantes de rastreamento de movimento, como o algoritmo Sparse Demons (SD), dependem de pontos de características selecionados com base em gradientes de imagem. Essa abordagem falha em regiões de paredes laterais devido à baixa ecogenicidade (devido à geometria de reflexão especular), resultando em uma seleção de pontos deficiente e degradando a precisão da deformação precisamente onde a heterogeneidade é mais clinicamente relevante.

Metodologia
Os autores propõem um pipeline totalmente automatizado e de ponta a ponta que opera exclusivamente com dados e ferramentas de código aberto. O fluxo de trabalho consiste em cinco estágios sequenciais:

1. Segmentação Automatizada (U-Net):

   • Arquitetura: Uma U-Net padrão com quatro níveis de codificador/decodificador, normalização por lote (batch normalization) e conexões de salto (skip connections).
   • Estratégia de Treinamento: O modelo é pré-treinado no conjunto de dados de ecocardiografia CAMUS (500 sequências de pacientes) para aprender a textura de speckle do US e a geometria de fronteira. Em seguida, é refinado (fine-tuning) em sequências de ultrassom de AAA simuladas, geradas usando a ferramenta MUST Matlab.
   • Dados: O conjunto de dados simulado inclui 80 loops de cine (cine-loops) com campos de deslocamento de verdade fundamental (ground-truth) derivados de simulações de Método de Elementos Finitos (FEM) específicas para cada paciente.
   • Função de Perda: Uma combinação de Perda de Entropia Cruzada Binária (BCE) e Perda de Dice para abordar o desequilíbrio de classes e otimizar a sobreposição.

2. Rastreamento de Fluxo Óptico Denso:

   • Algoritmo: O pipeline substitui o rastreamento esparso pelo fluxo óptico denso bilateral TV-L1 (implementado via DualTVL1OpticalFlow do OpenCV).
   • Mecanismo: Este método variacional calcula um vetor de deslocamento para cada pixel, minimizando a fidelidade de dados (norma L1) e a regularização de Variação Total (TV). Isso garante campos de fluxo suave por partes, robustos a outliers de speckle e ruído do pool sanguíneo.
   • Máscara: A saída da U-Net define uma Região de Interesse (ROI) anular de 6 mm ao redor da parede interna, restringindo o cálculo da deformação à parede do vaso e excluindo o movimento do sangue.

3. Cálculo de Deformação (Strain):

   • Os campos de deslocamento são amostrados em uma grade regular dentro da ROI.
   • A deformação circunferencial é calculada usando interpolação de Função de Base Radial (RBF) (splines de placa fina) para derivar os componentes do tensor de deformação de Green, evitando a necessidade de uma malha regular.
   • As fases do ciclo cardíaco (diástole final e pico de sístole) são detectadas automaticamente através da identificação de extremos na curva de diâmetro anteroposterior derivada das máscaras de segmentação.

Principais Contribuições

1. Primeiro Pipeline Totalmente Automatizado: Tanto quanto os autores sabem, este é o primeiro sistema de ponta a ponta para mapeamento de deformação de parede de AAA que elimina inteiramente a intervenção manual.
2. Transfer Learning de Ecocardiografia: Demonstra que uma U-Net pré-treinada em dados cardíacos (CAMUS) pode segmentar efetivamente paredes de AAA quando aumentada com quadros de AAA simulados, alcançando altos escores de Dice sem exigir grandes conjuntos de dados anotados de AAA.
3. Rastreamento Denso vs. Esparso: Substitui o viés de seleção de pontos do Sparse Demons por fluxo óptico denso, abordando especificamente a degradação do rastreamento em regiões de parede lateral de baixa ecogenicidade.
4. Ciência Aberta: Todo o código, pesos pré-treinados e scripts de geração de dados sintéticos são liberados publicamente para garantir a reprodutibilidade.

Resultos
Avaliado em sequências simuladas retidas, o pipeline proposto demonstrou melhorias significativas em relação às linhas de base (Manual + Sparse Demons):

• Segmentação: A U-Net alcançou um coeficiente de Dice médio de 0,908 ± 0,021 e uma Interseção sobre União (IoU) de 0,849 ± 0,028, superando significativamente os contornos ativos (Dice 0,741) e o nnU-Net pré-treinado em CT (Dice 0,837).
• Precisão de Rastreamento: O Fluxo Óptico Denso reduziu o Erro Quadrático Médio (RMSE) de rastreamento para 0,087 ± 0,031 mm, uma redução de 39% em comparação com a linha de base Sparse Demons (0,142 mm). Esta melhoria foi mais pronunciada nas regiões da parede lateral.
• Precisão da Deformação: O Erro Médio Absoluto (MAE) para a deformação circunferencial diminuiu de 1,81% (linha de base) para 0,93%.
• Eficiência Computacional: O pipeline totalmente automatizado reduziu o tempo de processamento por quadro de 180 ms (manual + SD) para **68 ms**, permitindo operação quase em tempo real (equivalente a uma latência de 15–25 fps) em uma única GPU NVIDIA A100.

Significância e Alegações
O artigo afirma que este pipeline aborda as duas principais barreiras para a tradução clínica da biomecânica de AAA baseada em US: a dependência do operador e a falha de rastreamento em regiões de baixa ecogenicidade. Ao alcançar precisão de rastreamento submilimétrica e throughput quase em tempo real usando apenas recursos de código aberto, o método facilita a pesquisa reprodutível e estabelece as bases para a validação clínica prospectiva. Os autores observam que, embora o erro de deformação de 0,93% seja clinicamente significativo (reduzindo o erro relativo para <10%), a avaliação atual é limitada a dados sintéticos, e trabalhos futuros devem validar o sistema em coortes clínicas prospectivas, abordando particularmente o movimento fora do plano 3D e o trombo intraluminal (ILT).