Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation

Resumen Técnico: Búsqueda Evolutiva de Arquitectura Neural Consciente de Recursos para la Segmentación de Resonancia Magnética Cardíaca

Enunciado del Problema
La segmentación por resonancia magnética cardíaca (CMR) es crítica para la evaluación cuantitativa de la estructura y función ventricular, específicamente en la delimitación del ventrículo izquierdo (VI), ventrículo derecho (VD) y miocardio (MYO). Sin embargo, lograr una delimitación fiable se ve obstaculizada por el bajo contraste tisular, los límites difusos (particularmente alrededor de los músculos papilares y puntos de inserción), la variabilidad interpaciente y los desplazamientos de dominio entre diferentes escáneres y protocolos. Aunque el aprendizaje profundo, y en particular las arquitecturas codificador-decodificador como U-Net, se ha convertido en el paradigma dominante, los profesionales enfrentan compensaciones significativas entre la calidad de los límites (medida por el Coeficiente de Similitud Dice [DSC] y la distancia de Hausdorff del percentil 95 [HD95]) y la eficiencia computacional (parámetros y FLOPs). Los métodos existentes de Búsqueda de Arquitectura Neural (NAS) a menudo requieren un esfuerzo de ingeniería sustancial para equilibrar estos objetivos competitivos o no optimizan explícitamente las restricciones de recursos desplegables en contextos específicos de cardiología.

Metodología: CardiacNAS
Los autores proponen CardiacNAS, un marco de Búsqueda de Arquitectura Neural evolutiva diseñado para automatizar el diseño de modelos eficientes de segmentación de CMR bajo restricciones de recursos explícitas. El marco opera a través de los siguientes componentes:

1. Supernet y Espacio de Búsqueda Conscientes de la Cardiología:
   La base es una supernet tipo U-Net estructurada en un codificador, un cuello de botella y un decodificador con conexiones de salto. A diferencia del NAS estándar, el espacio de búsqueda está explícitamente adaptado para la imagen cardíaca, parametrizado por un genotipo $\gamma$ que controla:

   • Hiperparámetros Estructurales: Tamaños de filtro ($fl$), tamaños de núcleo ($kn$) y número de capas ($ns$).
   • Módulos Avanzados: Mecanismos de atención (squeeze-excitation, auto-atención), estrategias de fusión/agregación (suma, concatenación, suma ponderada) y funciones de activación (ReLU, ELU, Tanh, Sigmoid).
   • Regularización y Escalado: Tasas de dropout ($dp$) y un factor de escalado residual continuo ($\alpha$) aplicado a las conexiones de salto.
   • Entrada: Cortes de RM cardíaca normalizados de tamaño fijo ($128 \times 128$).

2. Proceso de Búsqueda Evolutiva:
   El marco emplea un algoritmo evolutivo (Algoritmo 1) para optimizar las arquitecturas:

   • Inicialización: Una población de arquitecturas candidatas se muestrea desde el espacio de búsqueda.
   • Variación: Los candidatos experimentan cruce (intercambio uniforme de genes, mezcla para $\alpha$ continuo) y mutación (remuestreo de variables discretas o perturbación de las continuas).
   • Entrenamiento y Evaluación Proxy: Cada candidato se instancia y entrena con un presupuesto limitado (entrenamiento proxy) en el conjunto de entrenamiento. La aptitud se evalúa en un conjunto de validación basándose en una función multiobjetivo que equilibra DSC y HD95 contra la complejidad del modelo (Parámetros y FLOPs).
   • Selección: Una estrategia de reemplazo elitista selecciona a los mejores rendidores para formar la siguiente generación, manteniendo un archivo de soluciones no dominadas.

3. Conciencia de Recursos:
   La búsqueda optimiza explícitamente la compensación entre la fidelidad de la segmentación y el costo computacional, asegurando que la arquitectura final sea desplegable dentro de presupuestos de computación fijos. El costo total de la búsqueda (incluyendo todas las evaluaciones de candidatos) se incluye en el análisis de eficiencia.

Contribuciones Clave
El artículo describe tres contribuciones principales:

• Supernet Consciente de la Cardiología: Un espacio de búsqueda especializado que integra contexto multi-escala, atención y estrategias de fusión de saltos flexibles diseñadas específicamente para apuntar a límites VI/MYO/VD nítidos bajo presupuestos de complejidad ajustados.
• NAS Evolutivo Consciente de Recursos: Un procedimiento que compensa explícitamente la calidad de la segmentación (DSC/HD95) contra la complejidad del modelo (Parámetros/FLOPs) utilizando entrenamiento proxy y selección evolutiva, eliminando la necesidad de un equilibrio de diseño manual.
• Evaluación Exhaustiva: Un análisis detallado que incluye comparaciones cualitativas, análisis de curvas de aprendizaje y estudios de correlación de factores de diseño. Estos análisis aclaran cómo elecciones arquitectónicas específicas (por ejemplo, auto-atención, fusión por suma ponderada, escalado residual) influyen en la fidelidad y estabilidad de los límites.

Resultados Experimentales
El marco fue evaluado en el conjunto de datos ACDC (150 casos de pacientes) y comparado contra seis métodos de última generación (U-Net, nnU-Net, TransUNet, BiX-NAS, HCT-Net, M-ENAS).

• Rendimiento: CardiacNAS logró un DSC promedio de 93.22% y un HD95 de 4.73 mm. Esto representa una mejora del 2.63% en DSC sobre el siguiente mejor método evolutivo (M-ENAS) y una reducción del 19.2% en HD95.
• Eficiencia: El modelo resultante es altamente compacto, requiriendo solo 3.58M de parámetros y 14.56 GFLOPs.
• Costo de Búsqueda: Todo el proceso NAS (20 generaciones, 200 candidatos) requirió solo 0.18 días de GPU, significativamente menor que las líneas base manuales y otros enfoques evolutivos.
• Significancia Estadística: Las pruebas t confirmaron que CardiacNAS logró la puntuación estadística más alta ($p=0.029$) en comparación con las líneas base.
• Perspectivas de Diseño: El análisis de correlación reveló que los módulos de auto-atención, la fusión por suma ponderada y las funciones de activación sigmoidal se correlacionaron positivamente con un DSC más alto y un HD95 más bajo. La configuración óptima incluyó un tamaño de filtro de 96, tamaño de núcleo de 3, 3 capas, 0.3 de dropout y un factor de escalado residual de 0.4.
• Análisis Cualitativo: Las comparaciones visuales mostraron que CardiacNAS produjo límites endocárdicos y epicárdicos más nítidos y redujo la fuga de límites del VD en comparación con los competidores, los cuales a menudo exhibieron sub/sobresegmentación cerca del septo o erosión de la cavidad.

Significancia y Afirmaciones
El artículo afirma que CardiacNAS ofrece un enfoque principiado y consciente de recursos para la segmentación de CMR desplegable. Al acoplar una supernet tipo U-Net con un espacio de búsqueda específico para cardiología y optimización evolutiva, el marco automatiza con éxito el diseño de modelos que logran alta precisión sin sacrificar la eficiencia computacional. Los autores enfatizan la transparencia de su enfoque, proporcionando informes claros de la complejidad arquitectónica y los presupuestos de computación. El trabajo demuestra que los mecanismos de atención buscados, las estrategias de fusión y el escalado residual son factores críticos para mejorar la fidelidad y estabilidad de los límites dentro de presupuestos de computación compactos.

El artículo concluye modestamente, señalando que el trabajo futuro se centrará en extender el marco a representaciones 2.5D/3D para incorporar contexto espacial a través del plano, evaluarlo en cohortes multicéntricas más grandes, refinar las estrategias de entrenamiento proxy e integrar objetivos conscientes del hardware como la latencia y las restricciones de energía.