Submanifold Sparse Convolutional Networks for Automated 3D Segmentation of Kidneys and Kidney Tumours in Computed Tomography

Resumen Técnico: Redes Convolucionales Dispersas de Subvariedad para la Segmentación Automatizada en 3D de Riñones y Tumores Renales

Planteamiento del Problema
La delimitación precisa de tumores renales en Tomografía Computarizada (TC) es crítica para el análisis cuantitativo y la oncología de precisión, pero sigue siendo un cuello de botella debido a la naturaleza laboriosa de la segmentación manual. Si bien el aprendizaje profundo, particularmente las arquitecturas U-Net, ha mostrado promesa, las redes neuronales convolucionales (CNN) densas estándar enfrentan obstáculos computacionales significativos al procesar volúmenes médicos 3D grandes y de alta resolución. Una sola exploración TC puede contener decenas de millones de vóxeles, a menudo excediendo la capacidad de memoria de las GPUs típicas, lo que requiere una submuestreo o inferencia basada en parches que puede comprometer la resolución y el contexto. Además, las representaciones densas son ineficientes ya que procesan grandes cantidades de información de fondo (por ejemplo, aire, huesos) que es irrelevante para la tarea de segmentación.

Metodología
Los autores proponen un marco de segmentación 3D en dos etapas que aprovecha las Redes Convolucionales Dispersas de Subvariedad (SSCN) y la dispersión de vóxeles para abordar estas restricciones computacionales manteniendo una alta resolución.

1. Dispersión de Vóxeles: El proceso comienza filtrando las imágenes de entrada para retener solo los vóxeles dentro de rangos específicos de Unidades Hounsfield (UH) relevantes para el tejido renal. En la primera etapa, se aplica un rango umbral de (-53.4, 283.2) UH, preservando el 99% de los vóxeles de segmentación mientras se elimina aproximadamente el 77% de los vóxeles de fondo.
2. Etapa 1: Buscador de Región de Interés (Detección): Una U-Net dispersa de baja resolución procesa el volumen dispersado para identificar una Región de Interés (ROI) que contenga riñones y masas. La salida es una caja delimitadora dilatada para asegurar que se capturen todas las estructuras relevantes.
3. Etapa 2: Segmentación Completa: Las ROIs identificadas se utilizan para recortar las exploraciones originales de alta resolución. Una segunda U-Net dispersa de alta resolución realiza una segmentación refinada en estos volúmenes recortados.
4. Arquitectura de la Red: El modelo utiliza una U-Net dispersa personalizada basada en bloques ConvNeXtV2, implementada mediante un MinkowskiEngine modificado que soporta convoluciones por profundidad. La arquitectura emplea una estructura codificador-decodificador con conexiones de salto mediante suma elemento a elemento (para reducir la huella de memoria) y supervisión profunda en las últimas tres etapas del decodificador. La función de pérdida es una pérdida Dice ponderada para abordar el desequilibrio de clases.
5. Entrenamiento: El método se evaluó en el conjunto de datos KiTS23 (489 casos de entrenamiento) utilizando validación cruzada de 5 pliegues. La augmentación de datos incluyó transformaciones afines, escalado de intensidad e inyección de ruido.

Contribuciones Clave

• Primera Aplicación de SSCN en Segmentación de Tumores en TC: Este trabajo representa la primera aplicación de Redes Convolucionales Dispersas de Subvariedad a la segmentación semántica de tumores en imágenes de TC, extendiendo su uso más allá de la física de altas energías y las tareas limitadas de reconstrucción craneal.
• Pipeline Disperso en Dos Etapas: Los autores demuestran un enfoque novedoso en dos etapas que combina la detección de baja resolución con un refinamiento disperso de alta resolución, permitiendo un procesamiento 3D nativo a resolución completa sin submuestrear todo el volumen.
• Eficiencia de Recursos: El estudio proporciona una comparación directa entre la arquitectura dispersa propuesta y las implementaciones densas equivalentes, así como con líneas base establecidas (nnU-Net y el modelo fundacional SegVol), destacando reducciones significativas en el costo computacional.

Resultados
Evaluado en el conjunto de datos KiTS23 utilizando validación cruzada de 5 pliegues, el método propuesto logró los siguientes Coeficientes de Similitud Dice (DSC):

• Riñones + Masas: 95.8%
• Tumores + Quistes: 85.7%
• Tumores Solos: 80.3%

Rendimiento Comparativo:

• vs. nnU-Net: El método disperso logró un rendimiento general comparable (promedio macro 87.3% vs. 86.7% para nnU-Net). Aunque ligeramente inferior para "Riñones + Masas", tuvo un rendimiento numéricamente mejor para salidas centradas en lesiones ("Tumor + Quiste" y "Tumor solo").
• vs. SegVol: El modelo fundacional (zero-shot) localizó bien los riñones (91.4% DSC) pero falló en lesiones pequeñas y heterogéneas (19.5% DSC para tumores solos), subrayando la necesidad de entrenamiento específico para la tarea.
• vs. Implementación Densa: En comparación con una arquitectura U-Net densa equivalente, el enfoque disperso redujo el tiempo de inferencia hasta en un 60% y el uso de VRAM hasta en un 75%.
• Viabilidad de Hardware: La línea base densa encontró frecuentemente errores de Memoria Agotada (OOM) en GPUs de 16 GB, mientras que el modelo disperso procesó con éxito volúmenes de resolución completa en el mismo hardware.

Significado y Afirmaciones
El artículo afirma que las SSCN ofrecen una alternativa viable y eficiente en recursos para la segmentación de imágenes médicas 3D. Los autores afirman que su método logra una precisión competitiva con marcos densos de última generación (incluyendo los equipos mejor clasificados en KiTS23) mientras reduce sustancialmente los recursos computacionales requeridos para el entrenamiento y la inferencia.

Las implicaciones clave destacadas por los autores incluyen:

• Despliegue Clínico: La huella de memoria reducida permite el procesamiento 3D de resolución completa en hardware con VRAM limitada (por ejemplo, GPUs de 16 GB), facilitando el despliegue en entornos clínicos con recursos computacionales restringidos.
• Sostenibilidad: Al reducir el tiempo de inferencia y el uso de memoria, el enfoque contribuye a una menor consumo de energía y una menor huella de carbono para flujos de trabajo de imagen médica a gran escala.
• Generalizabilidad: Si bien el estudio se centra en los riñones, los autores sugieren que la metodología de dispersión y SSCN podría extenderse a otros órganos y tipos de tumores, así como a otras modalidades como la RM o la PET, donde las intensidades de los vóxeles pueden umbralizarse para aislar estructuras relevantes.

Los autores mantienen una postura modesta respecto a sus afirmaciones, señalando limitaciones como el tamaño del conjunto de datos (489 casos), la falta de acceso a las etiquetas del conjunto de prueba de KiTS23 para una comparación directa en la tabla de clasificación, y la ausencia de pasos de postprocesamiento que fueron utilizados por los equipos mejor clasificados en el desafío. Identifican trabajos futuros en la exploración de conjuntos de datos multicéntricos más grandes y diseños dispersos de una sola etapa alternativos.