Sparse Representation Learning for Vessels

ملخص تقني: VAEsselSparse لتعلم التمثيل المتناثر للأوعية الدموية

بيان المشكلة
يعد تحليل الأوعية الدموية البشرية والهياكل الشبيهة بالأوعية (مثل المسالك الهوائية) بدقة تحت المليمتر أمراً بالغ الأهمية للتشخيص السريري، وتصنيف المخاطر، وتخطيط العلاج. ومع ذلك، فإن استخراج هذه الشبكات من الوسائط التصويرية ينتج خرائط تجزئة ثلاثية الأبعاد ضخمة. ويفرض تعلم تمثيلات فعالة لهذه البيانات الحجمية عالية الدقة تحديات حوسبية كبيرة. تعتمد الطرق الحالية غالباً على افتراضات تبسيطية — مثل نمذجة الأوعية كبنى شجرية فقط، أو منحنيات (splines)، أو رسوم بيانية مترية — مما يضحي بالتفاصيل الهندسية ثلاثية الأبعاد الجوهرية أو يحصر التحليل في مناطق صغيرة. كما تفشل استراتيجيات تعلم التمثيل القائمة على الرقع (patch-based) التقليدية في التقاط السياق العالمي لشبكات الأوعية الدموية الكاملة على مستوى العضو. وتواجه النهج التلافيفية الكثيفة (dense convolutional approaches) صعوبة في التكلفة الحوسبية لمعالجة الأحجام الكاملة على مستوى العضو عند دقة عالية، بينما تفقد غالباً الاتصال الهيكلي الدقيق بسبب تأثيرات المتوسط (averaging effects).

المنهجية: VAEsselSparse
يقترح المؤلفون VAEsselSparse، وهو بنية مشفر-فك تشفير (encoder-decoder) فعالة مصممة لتعلم تمثيلات مدمجة وذات معنى لشبكات الأوعية الدموية واسعة النطاق على مستوى العضو مباشرة من أقنعة التجزئة المتناثرة.

• الصياغة المتناثرة (Sparse Formulation): على عكس الصور ثلاثية الأبعاد الكثيفة، فإن خرائط تجزئة الأوعية الدموية متناثرة بطبيعتها ($\|x\|_{\ell_0} \ll H \cdot W \cdot D$). يمثل VAEsselSparse المدخلات ليس كشبكة كثيفة، بل كمجموعة متناثرة من إحداثيات الفوكسل النشطة $C_x$ ومتجهات السمات المرتبطة بها، مما يشكل تينسور متناثر $X = (C_x, F_x)$. وهذا يسمح للحوسبة بالتوسع مع عدد الفوكسلات النشطة بدلاً من حجم الحجم الإجمالي.
• البنية المعمارية: يستخدم النموذج إطار عمل المشفر التلقائي التبايني (VAE) الذي يستفيد من التلافيف المتناثرة وآليات الانتباه المتناثرة.
  • المشفر ($E_\phi$): يتم استخراج الهندسة المحلية باستخدام كتل CNN ثلاثية الأبعاد متناثرة متبقية (تلافيف تحافظ على التناثر، تطبيع المجموعة، ReLU). يتم خفض الدقة المكانية عبر تلافيف متناثرة ذات خطوة (strided sparse convolutions) للوصول إلى دقة التمثيل المستهدفة. وللحفاظ على الاتصال العالمي الذي يُفقد غالباً في الضغط الشديد، تُعامل فوكسلات عنق الزجاجة (bottleneck voxels) كرموز (tokens) مع ترميز موضعي قائم على الإحداثيات، وتتم معالجتها عبر طبقات انتباه ذاتي نافذة متناثرة. يتيح ذلك تدفق المعلومات عبر أجزاء الأوعية البعيدة مع الحفاظ على تكاليف حوسبية معقولة.
  • فك التشفير ($D_\theta$): يحاكي المشفر، حيث يقوم بتنقية الرموز الكامنة باستخدام كتل محول (transformer) متناثرة قبل رفع الدقة تدريجياً باستخدام تلافيف متناثرة من النوع المنقول (transposed sparse convolutions) وكتل متبقية. المخرج النهائي هو إعادة بناء احتمالية عبر تنشيط سيجمويد (sigmoid).
• هدف التدريب: يتم تدريب النموذج باستخدام هدف VAE القياسي الذي يتكون من حد إعادة البناء ومنظم KL. والأهم من ذلك، يتم حساب خسارة إعادة البناء فقط على اتحاد الفوكسلات النشطة من الحقيقة الأرضية (ground truth) ودعم إعادة البناء، مما يتجنب الإشراف الكثيف على الشبكة بأكملها.
• الضغط: تحقق البنية المعمارية نسبة ضغط مكاني قدرها $8 \times 8 \times 8$ (نسبة ضغط حجمي تعتمد على عمق القنوات)، وهي أعلى بكثير من نماذج VAE الحجمية السابقة، مع الحفاظ على الاتصال الهيكلي.

المساهمات الرئيسية

1. تصميم البنية المعمارية: تقديم VAEsselSparse، وهو مشفر-فك تشفير مصمم خصيصاً للهياكل الوعائية ثلاثية الأبعاد المتناثرة، والذي يجمع بين التلافيف المتناثرة والانتباه المتناثر للتعامل مع الشبكات على مستوى العضو بدقة تحت المليمتر دون الاعتماد على تبسيطات هندسية.
2. الأداء: إثبات أداء إعادة بناء متفوق مقارنة بالنماذج الكثيفة ونظائرها السابقة، محققاً ضغطاً مكانياً عالياً ($8 \times 8 \times 8$) مع الحفاظ على الاتصال الطوبولوجي.
3. الفائدة في المهام اللاحقة: التحقق من أن الفضاء الكامن المتعلم يحتفظ بسمات تمييزية ذات صلة سريرية، مما يدعم بفعالية المهام اللاحقة مثل تصنيف الأوعية الدموية (مثل اكتشاف تمدد الأوعية الدموية/التضيق، ومتغيرات دائرة ويليس) ويعمل كفضاء تضمين لنمذجة التوليد لتركيب هياكل وعائية واقعية.

النتائج التجريبية
تم تقييم الطريقة على مجموعة بيانات موحدة من المسالك الهوائية، والأوعية الدماغية، والرئوية (بدقة متساوية 0.5 مم) ومجموعات بيانات تحدي محددة (INSTED, TopCoW).

• إعادة البناء: تفوق VAEsselSparse على نموذج VAE الكثيف الأساسي (بعدد بارامترات مماثل) ونموذج MedVAE المتطور (الذي استخدم ضغطاً أقل $4 \times 4 \times 4$) عبر مقاييس تشمل Dice وclDice والأعداد البيتية (Betti numbers - الأخطاء الطوبولوجية). على وجه التحديد، حقق clDice قدره 92.11 مقارنة بـ 73.48 لنموذج VAE الكثيف عند نفس ضغط $8 \times 8 \times 8$، وتفوق بشكل كبير على VesselGPT (clDice 1.64) في الهياكل المعقدة.
• التصنيف: على مجموعات البيانات غير المرئية (INSTED وTopCoW)، مكن الفضاء الكامن من أداء تصنيف قوي. حقق نموذج MLP مدرب على سمات VAEsselSparse دقة متوازنة بلغت 87.96% على INSTED (مقابل 85.24% لـ ResNet و34.89% لـ Dense VAE+PCA+RF). وأكدت تصورات t-SNE أن الفضاءات الكامنة لـ VAEsselSparse تشكل عناقيد متميزة للفئات السليمة، وتمدد الأوعية، والتضيق، بينما فشلت نماذج VAE الكثيفة في فصل هذه الفئات.
• النمذجة التوليدية: أنتجت شبكة U-Net لتقليل الضجيج (denoising U-Net) المدربة على الفضاء الكامن لـ VAEsselSparse عينات أوعية أكثر واقعية من تلك المدربة على الفضاء الكامن لـ VAE الكثيف. فضلت مقاييس الكمية (مسافة المطابقة الدنيا، التغطية، دقة أقرب جار واحد) نموذج VAEsselSparse، وهو ما يعزى إلى فضاءه الكامن المتناثر ومنخفض الأبعاد الذي يخفف من المشكلات المتعلقة بالأبعاد العالية وحجم العينات المحدود.

الأهمية والادعاءات
يدعي البحث أن VAEsselSparse يعالج فجوة حرجة في الطرق الحالية من خلال تمكين تعلم تمثيلات ذات معنى لشبكات الأوعية الدموية الكاملة على مستوى العضو بدقة سريرية (تحت المليمتر) دون الاعتماد على التبسيطات الهندسية. ومن خلال الاستفادة من التناثر المتأصل في هياكل الأوعية، تحقق الطريقة كفاءة حوسبية وضغطاً مكانياً كبيرين. ويفترض المؤلفون أن هذا النهج الحافظ للتناثر يوفر مساراً عملياً نحو نمذجة قابلة للتوسع وذات فائدة سريرية للهياكل الوعائية عالية الدقة، مما يسهل كلاً من إعادة البناء الدقيق وتخليق الهياكل الوعائية الواقعية للتطبيقات السريرية اللاحقة.