Advances in Ultrasound Imaging: Automated 3D Segmentation of Anatomical Structures in the Forearm

Resumo Técnico: Segmentação 3D Automatizada de Estruturas Anatômicas no Antebraço

Definição do Problema
A ultrassonografia musculoesquelética (USMS) é um pilar na reumatologia e na medicina clínica, mas alcançar a proficiência permanece um obstáculo significativo devido ao treinamento substancial exigido. Embora a qualidade da imagem e as modalidades funcionais (ex: Doppler de potência, elastografia) tenham melhorado, a interpretação de imagens transversais 2D depende fortemente da capacidade do operador de reconstruir mentalmente a anatomia 3D. Essa carga cognitiva, combinada com a natureza demorada e dispendiosa do treinamento tradicional (cursos, vídeos, mentoria), limita a acessibilidade de uma USMS de alta qualidade para profissionais menos experientes. Além disso, métodos de visualização 3D existentes para órgãos sólidos e estruturas específicas (nervos, músculos) não foram aplicados de forma abrangente à complexa anatomia do lado flexor do antebraço inferior em um contexto multiestrutural automatizado.

Metodologia
O estudo utilizou um conjunto de dados composto por imagens de ultrassom de 50 indivíduos: 25 pacientes com síndrome do túnel do carpo (STC) estabelecida e 25 controles saudáveis. Os exames foram realizados no lado flexor do antebraço inferior utilizando um scanner GE Logiq 10 com uma sonda de 6–15 MHz em modo MSK. O protocolo de imagem capturou loops de vídeo de 15 cm proximal à prega do pulso até a entrada do túnel do carpo.

• Anotação de Dados: Aproximadamente 50 quadros por indivíduo foram segmentados manualmente por um reumatologista experiente. Treze estruturas anatômicas foram visadas, mas o estudo focou na segmentação de 11 estruturas específicas: o nervo mediano, a artéria radial, os ossos radial e ulnar, os ossos escafoide e pisiforme, e cinco músculos (quadrátil pronador, flexor radial do carpo, flexor longo do polegar, flexor profundo dos dedos e flexor superficial dos dedos).
• Arquitetura do Algoritmo: Foi empregada uma rede do tipo U-net de codificador-decodificador totalmente convolucional. A arquitetção apresenta seis níveis com conexões de cruzamento, utilizando max pooling de 2×2 no codificador e upsampling de repetição de 2×2 no decodificador. Cada nível inclui duas camadas de convolução 3×3 com ativação ReLU.
• Protocolo de Treinamento: As imagens foram exportadas com filtragem mínima, redimensionadas para 256×256 pixels e utilizadas sem aumento de contraste. O modelo foi treinado usando Keras com uma estratégia de validação cruzada de 10 dobras (10-fold cross-validation), um otimizador Adam, 150 épocas e uma função de perda Dice (Dice loss). Para evitar o sobreajuste (overfitting), foram aplicadas aumentações aleatórias, incluindo transformação de intensidade gama, inversão horizontal aleatória e aplicação de sombras gaussianas aleatórias.
• Métricas de Avaliação: O desempenho foi avaliado usando o escore Dice para precisão de segmentação e o F1-score para precisão de detecção. Uma detecção foi considerada um verdadeiro positivo se a segmentação automatizada sobrepusesse mais de 25% do padrão-ouro manual. Regiões de segmentação menores que um raio de 7 pixels foram ignoradas.
• Visualização: Visualizações 3D foram geradas aproximando os dados de posição baseados no movimento linear uniforme da sonda. Os dados segmentados e os quadros originais de ultrassom foram renderizados usando a plataforma de navegação CustusX, permitindo que imagens 2D fossem incorporadas em contextos anatômicos 3D.

Resultados Principais
O algoritmo demonstrou níveis variados de sucesso entre as 11 estruturas segmentadas:

• Precisão de Detecção: O nervo mediano e o músculo quadrátil pronador alcançaram a maior precisão de detecção (0,98). Sete das onze estruturas excederam uma precisão de detecção de 0,90. O osso pisiforme apresentou a menor precisão de detecção (0,40).
• Precisão de Segmentação: A maior precisão de segmentação foi observada para o músculo flexor superficial dos dedos (0,83), enquanto o osso pisiforme teve a menor precisão (0,25).
• Visualização: O estudo gerou com sucesso visualizações 3D onde estruturas específicas (ex: nervo mediano em azul, artéria radial em vermelho, ossos em amarelo) podiam ser isoladas ou visualizadas em combinação com sobreposições 2D de ultrassom semitransparentes.
• Limitações Observadas: Os autores notaram modos de falha específicos, como o algoritmo classificando erroneamente parte do músculo flexor superficial dos dedos como um segundo músculo flexor radial do carpo. Adicionalmente, os baixos escores Dice para o osso pisiforme foram atribuídos ao campo de visão limitado do conjunto de dados, que frequentemente terminava no osso em vez de capturar sua extensão total.

Significância e Alegações
O artigo afirma ser o primeiro trabalho a demonstrar a segmentação e anotação automatizada dos músculos flexores do antebraço inferior via ultrassonografia. A principal significância reside no potencial de transformar a USMS de uma habilidade puramente dependente do operador em uma ferramenta assistida por tecnologia. Ao deslocar a reconstrução da anatomia da mente do operador para o sistema de imagem, a tecnologia oferece:

1. Treinamento Aprimorado: Uma ferramenta de ensino à beira do leito que fornece representações anatomicamente intuitivas, apoiando a compreensão espacial para clínicos menos experientes.
2. Reprodutibilidade: A segmentação automatizada permite a identificação consistente de estruturas, reduzindo a variabilidade interoperador.
3. Visualização Contextual: A capacidade de visualizar cortes transversais 2D dentro de um ambiente esquelético 3D ajuda a preencher a lacuna entre a imagem 2D e a realidade anatômica 3D.

Os autores mantêm uma postura modesta, reconhecendo que a tecnologia ainda não atinge 100% de precisão e que o conjunto de dados atual carece de rastreamento de sonda, o que limita a suavidade das reconstruções 3D. Eles postulam que, embora exames robóticos totalmente automatizados possam dificultar o desenvolvimento da habilidade manual, a correção em tempo real do posicionamento da sonda apoiada por IA pode melhorar as habilidades do operador e padronizar os protocolos de imagem.