Resumen Técnico: MNET++: REDES 2D/3D EXTENDIDAS PARA LA SEGMENTACIÓN DE IMÁGENES MÉDICAS ANISOTRÓPAS

Planteamiento del Problema

La segmentación de imágenes médicas tridimensionales enfrenta un desafío persistente relacionado con el espaciado de vóxeles anisotrópico, donde el espaciado entre cortes (eje z) es significamente mayor que la resolución en el plano (ejes x e y). Esto es común en las adquisiciones clínicas de RM y TC. Las redes neuronales convolucionales (CNN) 3D estándar suelen sobreajustarse a regiones con muestreo disperso en el eje transversal, mientras que las CNN 2D no logran capturar el contexto volumétrico. Aunque los enfoques híbridos como las U-Nets 2.5D o la MNet original intentan reconciliar estos regímenes, a menudo dependen de reglas de fusión diseñadas a mano o carecen de mecanismos modernos para un razonamiento contextual de largo alcance eficiente a lo largo del eje de profundidad.

Metodología

El estudio se centra en dos objetivos primarios: la reproducción fiel de la arquitectura original de MNet y la introducción de extensiones ligeras para mejorar su adaptabilidad y eficiencia.

1. Marco de Reproducción

Los autores reimplementaron MNet dentro del framework nnU-Net para asegurar la consistencia con los procesos de preprocesamiento estándar y para verificar el rendimiento reportado bajo restricciones de cómputo realistas.

• Conjuntos de datos: Los experimentos se realizaron en PROMISE12 (RM de próstata) y un subconjunto controlado de LiTS (TC de hígado).
• Configuración: La reproducción utilizó la arquitectura MNet original (5 etapas de codificador/decodificador con flujos 2D/3D paralelos) entrenada durante 150 épocas utilizando pérdida de Dice y supervisión profunda.
• Pruebas de Anisotropía: Los modelos fueron evaluados a través de varios espaciados z (1 mm, 2.2/2.0 mm y 4 mm) para evaluar la robustez.

2. Extensiones Propuestas

Se introdujeron dos modificaciones arquitectónicas específicas a la MNet reimplementada:

• Mecanismo de Compuerta de Fusión (Fusion Gating):

  • Problema: La MNet original utiliza operaciones fijas y codificadas rígidamente (suma, resta o concatenación) para fusionar los mapas de características 2D y 3D.
  • Solución: Un módulo de Compuerta de Fusión aprendido reemplaza estas reglas estáticas. Este predice una compuerta suave $g \in [0, 1]$ para interpolar entre las características 2D y 3D: $y = g \odot x_{2D} + (1-g) \odot x_{3D}$.
  • Variantes: El estudio exploró la Compuerta de Canal (confianza global por canal) y la Compuerta Espacial (mapas de confianza específicos de la ubicación compartidos entre canales). Esto permite al modelo ponderar adaptativamente los flujos de características basándose en la calidad local de la imagen o la severidad de la anisotropía.

• Integración de VMamba:

  • Problema: Las convoluciones 3D estándar tienen dificultades para modelar dependencias de largo alcance a lo largo del eje z en escaneos de cortes gruesos sin un costo computacional excesivo.
    et Solución: Los autores integraron VMamba (un módulo de estado recurrente) en las etapas de cuello de botella (3, 4 y 5) del codificador.
  • Mecanismo: El volumen de entrada se reformatea para tratar cada posición espacial $(H, W)$ como una secuencia independiente a lo largo de la profundidad $D$. Un escaneo selectivo en el eje z procesa estas secuencias con una complejidad de $O(D)$, capturando las dependencias entre cortes de manera eficiente. Esto reduce el recuento de parámetros al reemplazar las pesadas convoluciones 3D en el cuello de botella.

Resultados Clave

Validación de la Reproducción

La MNet reimplementada igualó con éxito las tendencias de rendimiento del artículo original dentro del margen de reproducibilidad aceptado ($\pm 2\text{--}3\%$):

• PROMISE: Alcanzó un Coeficiente de Similitud de Dice (DSC) de 89.0 ± 0.9%, dentro del 0.8% del 89.8% original.
• LiTS: Alcanzó 94.3 ± 1.9% para el hígado y 54.6 ± 3.1% para la segmentación de tumores. El puntaje inferior del tumor se atribuye al subconjunto de entrenamiento más pequeño (50 casos frente a 131) y a las épocas de entrenamiento reducidas (150 frente a 500).

Rendimiento de las Extensiones

• Compuerta Espacial: Mejoró el rendimiento de PROMISE en un +0.8% (alcanzando un 90.0% DSC) con un costo de parámetros insignificante (<3% de costo de inferencia). Demostró una estabilidad superior bajo variaciones de anisotropía, con una caída de DSC menor (1.5 puntos) entre el espaciado de 1 mm y 4 mm en comparación con la línea base.
• VMamba: Redujo los parámetros del modelo de 8.77M a 7.42M. Logró el rendimiento de segmentación de hígado más fuerte en LiTS (95.8 ± 0.7% DSC) y mejoró la consistencia del rendimiento, reduciendo la variación de Dice en PROMISE a ±0.7%.
• Modelo Combinado: La combinación de Compuerta Espacial y VMamba alcanzó un 95.9 ± 0.3% DSC en el hígado de LiTS, confirmando la naturaleza complementaria de la fusión adaptativa y el modelado consciente de la profundidad.

Robustez a la Anisotropía

Ambas extensiones preservaron la robustez de MNet ante la anisotropía. A través de un espaciado de vóxeles de 1 a 4 mm, la variación de Dice se mantuvo aproximadamente en 1.5%, demostrando que la fusión aprendida y el modelado de espacio de estados no comprometen la capacidad de la red para manejar el grosor de corte variable.

Significancia y Reivindicaciones

El artículo reivindica tres contribuciones principales:

1. Reproducibilidad: Valida que la estrategia de fusión híbrida 2D/3D de MNet es factible y robusta bajo presupuestos de cómputo realistas, confirmando la premisa central del artículo original de que la representación dimensional adaptativa es clave para la segmentación anisotrópica.
2. Fusión Adaptativa: Demuestra que reemplazar las reglas de fusión codificadas rígidamente con mecanismos de compuerta aprendidos permite a la red mezclar dinámicamente las características 2D y 3D, mejorando la precisión de los bordes y la estabilidad sin un costo computacional significativo.
3. Modelado Eficiente de Largo Alcance: Muestra que la integración de bloques VMamba puede modelar eficientemente las dependencias de profundidad de largo alcance en volúmenes anisotrópicos, mejorando la coherencia de las características y reduciendo el recuento de parámetros.

Limitaciones y Conclusiones Modestas

Los autores mantienen una postura modesta respecto a sus hallazgos:

• Restricciones del Conjunto de Datos: Los resultados de LiTS, particularmente para la segmentación de tumores, están limitados por el uso de un subconjunto de 50 casos y esquemas de entrenamiento más cortos. Los autores señalan que el rendimiento del tumor depende fuertemente de la morfología de la lesión y el volumen de datos, y que podría ser necesario un entrenamiento con el conjunto de datos completo y esquemas extendidos para desbloquear mayores ganancias.
• Convergencia: Aunque 150 épocas fueron suficientes para el conjunto de datos PROMISE (donde el rendimiento se estabilizó entre la época 100 y 120), las curvas de pérdida de LiTS mostraron un comportamiento errático, lo que sugiere que un entrenamiento más largo o más datos podrían ser necesarios para estructuras anatómicas complejas.
• Trabajo Futuro: El estudio reconoce que se requieren más pruebas para proporcionar conclusiones definitivas, particularmente en cuanto a la generalización de estas extensiones a otras tareas multiclas y el potencial de variantes avanzadas de VMamba (por ejemplo, escaneo bidireccional) con mayores recursos computacionales.

En resumen, el estudio confirma la reproducibilidad de MNet y proporciona evidencia de que la fusión adaptativa y la atención de espacio de estados pueden fortalecer la confiabilidad de la segmentación bajo condiciones anisotrópicas, aunque las conclusiones definitivas sobre la segmentación de tumores requieren una validación más extensa.