Resumo Técnico: PINN-Flow

Definição do Problema

A estratificação do risco de ruptura de Aneurismas de Aorta Abdominal (AAA) depende de duas quantidades biomecanicamente acopladas: a Tensão de Cisalhamento da Parede (WSS), derivada do fluxo sanguíneo intraluminal, e a Tensão de Pico na Parede (PWS), derivada do estresse mecânico do tecido aórtico. As abordagens atuais de aprendizagem profunda tratam essas quantidades separadamente usando métodos de fluxo óptico puramente baseados em dados:

• Pipeline 1: Utiliza U-Net + RAFT em Cine-RM para estimar a velocidade do fluido.
• Pipeline 2: Utiliza U-Net + TV-L1 em ultrassom modo B para estimar a deformação da parede.

Esses métodos sofrem de uma fraqueza estrutural crítica: suas funções de perda impõem apenas consistência fotométrica e suavidade espacial genérica, carecendo de qualquer restrição baseada na física subjacente do sangue ou do tecido. Consequentemente, são altamente vulneráveis a artefatos específicos de modalidade (ex: decorrelação de speckle no ultrassom, artefatos de fase na RM), particularmente na camada limite próxima à parede. Esta é a região de menor contraste de imagem onde a WSS e a PWS são computadas, levando a estimativas localmente erráticas que comprometem a avaliação do risco de ruptura.

Metodologia

Os autores propõem o PINN-Flow, um framework unificado de Redes Neurais Informadas pela Física (PINN) que estima conjuntamente o campo de velocidade do fluido e o campo de deslocamento da parede usando uma arquitetura de codificador compartilhado e decodificadores duplos.

1. Arquitetura da Rede

• Estrutura: Um codificador multiescala compartilhado alimenta dois decodificadores independentes: um ramo de fluido que prevê a velocidade densa $(u, v)$ e um ramo de parede que prevê o deslocamento da parede $(u_w, v_w)$.
• Acoplamento de Características: O codificador compartilhado permite que as características da fronteira próxima à parede informem ambos os ramos, fornecendo um acoplamento suave de nível de características que complementa as restrições físicas impostas no nível de saída.
• Parâmetros Aprendíveis: A viscosidade cinemática ($\nu$) e o módulo de Young ($E$) são parametrizados no espaço logarítmico e aprendidos conjuntamente com os pesos da rede.

2. Formulação Matemática

A rede é treinada minimizando uma função de perda composta:
$$L_{total} = \lambda_1 L_{data} + \lambda_2 L_{smooth} + \lambda_3 L_{NS} + \lambda_4 L_{Elast}$$

• Termo de Dados ($L_{data}$): Impõe a constância de brilho através de uma perda de warping robusta (perda Huber) entre quadros consecutivos.
• Termo de Suavidade ($L_{smooth}$): Impõe regularidade espacial nos gradientes dos campos de velocidade e deslocamento.
• Termo de Navier-Stokes ($L_{NS}$): Aplica um resíduo de Navier-Stokes incompressível 2D ao ramo de fluido. Ele penaliza violações da conservação de massa ($\nabla \cdot V = 0$) e da conservação de momento. O termo de gradiente de pressão é absorvido em um resíduo reduzido devido à falta de medições diretas de pressão.
• Termo de Elasticidade ($L_{Elast}$): Aplica um resíduo de equilíbrio estático elástico linear ao ramo da parede. Ele modela a parede como um material de tensão plana, elástico linear e de pequena deformação, penalizando violações da equação de equilíbrio ($\nabla \cdot \sigma = 0$).

3. Implementação: Diferenciação Contínua de Coordenadas

Uma inovação técnica fundamental é o método para computar os resíduos de física. Em vez de usar diferenças finitas em uma grade de pixels discretos, a saída da rede é reamostrada bilinearmente em uma grade de coordenadas contínua via uma operação de amostragem de grade diferenciável (differentiable grid sample).

• Isso transforma a saída discreta da CNN em uma função genuinamente contínua e duas vezes diferenciável de coordenadas $(x, y)$.
• As derivadas espaciais e temporais necessárias para os resíduos de EDP (Equações Diferenciais Parciais) são computadas via diferenciação automática sobre este campo contínuo, garantindo diferenciabilidade exata e retropropagação para os pesos da rede.

Principais Contribuições

1. Framework Unificado: Uma única arquitetura que estima conjuntamente a velocidade do fluido intraluminal e o deslocamento da parede aórtica, aplicável tanto a Cine-RM quanto a ultrassom modo B.
2. Perda Informada pela Física: Implementação de uma perda composta combinando resíduos de Navier-Stokes 2D incompressível (fluido) e resíduos de equilíbrio estático elástico linear (parede), computados via diferenciação automática.
3. Validação de Robustez: Demonstração através de experimentos controlados de injeção de ruído de que as restrições físicas reduzem a perda de convergência, diminuem a instabilidade do treinamento e degradam de forma mais graciosa sob ruído em comparação com os baselines orientados apenas a dados.
4. Análise de Implicação Clínica: Discussão de como este framework melhora a estimativa de WSS e PWS, os principais descritores para o risco de ruptura de AAA.

Resultados Experimentais

Experimentos foram conduzidos utilizando dados simulados com níveis de ruído controlados (speckle multiplicativo para condições semelhantes ao ultrassom e ruído Rician aditivo para condições semelhantes à RM), visto que não havia disponível um conjunto de dados clínicos de AAA com referências sincronizadas para comparação direta.

• Convergência: O PINN-Flow alcançou uma perda de treinamento final de 0,1053 e uma perda de validação de 0,1112, significativamente menores que o baseline orientado a dados (0,2369 e 0,2731, respectivamente).
• Estabilidade: O desvio padrão da perda nos últimos 20 épocas foi reduzido em aproximadamente 2,7× (0,0066 vs. 0,0180), indicando redução de oscilações e menos mínimos locais.
• Robustez ao Ruído: Sob níveis crescentes de ruído, o PINN-Flow demonstrou resiliência superior. A degradação do NRMSE (Erro Quadrático Médio Normalizado) do estado limpo para o nível de ruído mais alto foi de +172,6% para o PINN-Flow, comparado a +184,6% para o RAFT e +214,7% para o TV-L1.
• Desempenho em Alto Ruído: No nível de ruído mais alto, o PINN-Flow superou o TV-L1 em ~29% e o RAFT em ~21% em termos de NRMSE médio.

Significância e Alegações

O artigo afirma que, ao restringir o rastreamento a campos de velocidade e deslocamento fisicamente admissíveis, o PINN-Flow unifica pipelines de AAA anteriormente separados em um único framework. Sua principal significância reside na capacidade de produzir estimativas mais estáveis e resilientes a artefatos de WSS e PWS, especificamente nas regiões de baixa contratualidade e alto ruído próximas à parede, onde modelos puramente fotométricos tipicamente falham.

Os autores enfatizam que o prior físico atua como uma âncora em regiões onde a informação fotométrica está corrompida (ex: perto da fronteira da parede), garantindo que os campos resultantes permaneçam livres de divergência e em equilíbrio. Isso é crítico para aplicações clínicas onde as regiões mais ruidosas são também as mais críticas para o cálculo do risco de ruptura.

Limitações

Os autores reconhecem explicitamente diversas limitações:

1. Suposição 2D: A formulação é planar; o fluxo e o movimento fora do plano não são penalizados, o que pode enviesar as estimativas em regiões de forte curvatura 3D.
2. Termo de Pressão: O resíduo de momento omite um termo de gradiente de pressão explícito devido à falta de medições diretas de pressão.
3. Custo Computacional: A diferenciação automática de segunda ordem aproximadamente dobra ou triplica o custo do passo de retropropagação (backward-pass) em comparação com redes puramente orientadas a dados.
4. Validação Simulada: Os resultados baseiam-se em modelos de ruído simulados em vez de um conjunto de dados clínicos pareados com verdade fundamental (ground-truth); portanto, estabelecem viabilidade e comportamento esperado, em vez de evidência de nível clínico.
5. Parâmetros Uniformes: O modelo assume viscosidade e rigidez espacialmente uniformes, enquanto a realidade biológica envolve variações espaciais.