Bronchovascular Tree-Guided Weakly Supervised Learning Method for Pulmonary Segment Segmentation

Título: Método de Aprendizaje Débilmente Supervisado Guiado por el Árbol Broncovascular para la Segmentación de Segmentos Pulmonares

1. Planteamiento del Problema

La segmentación de los segmentos pulmonares es fundamental para la localización del cáncer y la planificación quirúrgica de resecciones. Sin embargo, existen dos desafíos principales que dificultan el uso de métodos de aprendizaje profundo convencionales:

• Falta de fronteras definidas: A diferencia de los lóbulos pulmonares, que tienen fisuras claras visibles en las tomografías computarizadas (TC), los límites entre los segmentos dentro de un mismo lóbulo son indistinguibles en las imágenes médicas. Esto hace que la anotación píxel a píxel (necesaria para el aprendizaje totalmente supervisado) sea extremadamente laboriosa y propensa a errores.
• Pérdida de información estructural: Los métodos actuales que utilizan inferencia por parches (común en segmentación 3D) a menudo rompen la integridad del árbol broncovascular (arterias y vías aéreas). Cuando un parche no contiene las ramas parentales de estructuras adyacentes de diferentes segmentos, el modelo falla al predecir los límites correctos, generando fronteras discontinuas o erróneas.

2. Metodología Propuesta: AHSL

Los autores proponen un método llamado Aprendizaje Supervisado por Jerarquía Anatómica (AHSL - Anatomy-Hierarchy Supervised Learning). Este enfoque se basa en la definición clínica anatómica de los segmentos pulmonares y utiliza una estrategia de dos etapas.

A. Principios Fundamentales:
El diseño de la función de pérdida se basa en dos reglas anatómicas:

1. Supervisión a nivel de segmento: Los segmentos deben contener completamente su árbol broncovascular asociado (arteria y vía aérea).
2. Supervisión a nivel de lóbulo: Los segmentos deben estar contenidos estrictamente dentro de su lóbulo pulmonar correspondiente.

B. Estrategia de Dos Etapas:
Para evitar la pérdida de información estructural durante la inferencia:

• Etapa 1: Se segmenta el árbol broncovascular (arterias y vías aéreas) utilizando aprendizaje totalmente supervisado (FSL) con etiquetas precisas, ya que estas estructuras son fáciles de delimitar. Se excluyen las venas intersegmentarias en esta etapa debido a su dificultad de clasificación.
• Etapa 2: La máscara de segmentación de la Etapa 1 se concatena con la imagen original y se introduce en la segunda red. Esto proporciona información a priori explícita, guiando al modelo para que identifique correctamente los límites de los segmentos pulmonares, incluso cuando los parches de entrada son monocromáticos en cuanto a estructura.

C. Funciones de Pérdida y Regularización:
El modelo utiliza una combinación de pérdidas para entrenar la segunda etapa:

• Pérdida Directa ($Loss_{directly}$): Supervisa los vóxeles dentro de la región broncovascular (BV) y fomenta que los vóxeles circundantes sean incluidos en su segmento correspondiente. Utiliza Recall y Entropía Cruzada (CE).
• Pérdida Indirecta ($Loss_{indirectly}$): Supervisa los vóxeles dentro del lóbulo (L) pero fuera del árbol broncovascular. Utiliza una etiqueta de lóbulo para asegurar que el segmento resultante pertenezca al lóbulo correcto, mitigando la sobre-segmentación. Se calcula como la suma de la pérdida Dice y CE sobre el conjunto de vóxeles del lóbulo.
• Pérdida de Consistencia ($Loss_{consistence}$): Para abordar la irregularidad de los bordes, se propone una pérdida basada en la norma L1 del Laplaciano del mapa de probabilidades. Esto fuerza a que los vóxeles vecinos tengan valores de probabilidad similares, suavizando las fronteras de los segmentos.

D. Métrica de Evaluación de Suavidad:
Se introduce una nueva métrica cuantitativa llamada $#holes$ (número de agujeros). Esta métrica cuenta el número de regiones cerradas (agujeros) en los planos axial, sagital y coronal de la máscara de segmentación. Un menor número de agujeros indica una mayor suavidad topológica y consistencia anatómica.

3. Contribuciones Clave

1. Método AHSL: Un nuevo enfoque de aprendizaje débilmente supervisado que utiliza la jerarquía anatómica (lóbulos y árbol broncovascular) para guiar la segmentación sin necesidad de máscaras de segmentos perfectamente anotadas.
2. Estrategia de Dos Etapas: Incorpora información a priori del árbol broncovascular para resolver problemas de integridad estructural en la inferencia por parches.
3. Pérdida de Consistencia: Un mecanismo de regularización que mejora significativamente la suavidad de los límites de los segmentos pulmonares.
4. Nueva Métrica ($#holes$): Un indicador cuantitativo para evaluar la calidad topológica y la suavidad de las fronteras de segmentación.

4. Resultados Experimentales

El método se evaluó en un conjunto de datos privado de 200 TC (104 CTPA y 96 TC sin contraste), comparándose con el estado del arte (IPGN) y realizando estudios de ablación.

• Rendimiento Cuantitativo:
  • AHSL superó al método IPGN en más de un 30% en la puntuación Dice para arterias ($Dice_{Artery}$) y en un 70-80% para vías aéreas ($Dice_{Airway}$).
  • La métrica de suavidad $#holes$ mejoró drásticamente, reduciéndose de promedios superiores a 180-200 en IPGN a menos de 2 en AHSL, lo que indica una eliminación casi total de artefactos topológicos.
• Estudios de Ablación:
  • La adición de la estrategia de dos etapas mejoró la precisión de las arterias y redujo los agujeros en un 42-48%.
  • La inclusión de la pérdida de consistencia mejoró la suavidad ($#holes$) en un 93-94%, resolviendo casi por completo las irregularidades de los bordes.
• Validación Externa:
  • Dos radiólogos experimentados evaluaron 21 casos de datos externos multicéntricos. El método AHSL obtuvo puntuaciones medias de 3.67/5 y 3.71/5, calificándose como "aceptable" a "satisfactorio", lo que confirma su viabilidad clínica y robustez.

5. Significado e Impacto

Este trabajo es significativo porque aborda la barrera principal en la segmentación de segmentos pulmonares: la falta de fronteras visibles y la dificultad de anotación. Al integrar el conocimiento anatómico clínico (la relación entre lóbulos, segmentos y el árbol broncovascular) directamente en el diseño de la función de pérdida y la arquitectura de la red, AHSL logra:

• Eliminar la dependencia de anotaciones píxel a píxel costosas y difíciles de obtener.
• Generar segmentaciones topológicamente consistentes y clínicamente útiles, incluso en presencia de estructuras broncovasculares incompletas.
• Proporcionar una herramienta viable para la planificación quirúrgica asistida por computadora, mejorando la precisión en la localización de lesiones y la delimitación de áreas de resección.