MorVess: Morphology-Aware Pulmonary Vessel Segmentation Network

Resumen Técnico: MorVess – Red de Segmentación de Vasos Pulmonares Consciente de la Morfología

Planteamiento del Problema
La segmentación precisa de los vasos pulmonares sigue siendo un desafío significativo en el análisis de imágenes médicas debido a la naturaleza dispersa, tortuosa y multiescala de las estructuras vasculares. Los enfoques actuales de aprendizaje profundo optimizan principalmente máscaras binarias mediante supervisión por vóxel, lo que a menudo falla en preservar la morfología tubular continua y la conectividad fina de las ramas pequeñas. Los métodos tradicionales y los modelos estándar de aprendizaje profundo luchan contra las discontinuidades topológicas, la ambigüedad de los límites y las inconsistencias de diámetro, particularmente en las regiones microvasculares distales donde los vasos son delgados y de bajo contraste. Además, aunque los modelos fundacionales como el Segment Anything Model (SAM) muestran potencial, su aplicación directa a datos volumétricos 3D se ve obstaculizada por la falta de contexto espacial 3D (cuando se procesan por cortes individuales) y la ausencia de restricciones geométricas explícitas necesarias para estructuras tubulares.

Metodología
Los autores proponen MorVess, un marco de segmentación consciente de la morfología que integra prioris geométricos diferenciables con la adaptación de modelos fundacionales a gran escala. La arquitectura consta de tres componentes principales:

1. Generación de Prioris Geométricos: Para abordar la ambigüedad de los límites y la discontinuidad del diámetro, el método genera dos señales de supervisión continuas y diferenciables a partir de las máscaras de verdad de campo (ground-truth):

   • Mapa de Distancia de Vasos (VDM): Transforma los límites de la máscara binaria en campos de potencial de gradiente suaves mediante erosión morfológica y decaimiento exponencial de la distancia. Esto proporciona una localización sub-píxel y agudiza los gradientes de los bordes.
   • Mapa de Espesor de Vasos (VTM): Derivado del esqueleto de la línea central vascular, este mapa asigna valores de espesor a los vóxeles basándose en el radio de la esfera inscrita máxima. Esto impone una consistencia global en el diámetro del vaso y evita oscilaciones no físicas en regiones locales.

2. Red de Adaptación Geométrica 2.5D:

   • Adaptador 2.5D: Para cerrar la brecha entre las representaciones 2D preentrenadas de SAM y los datos volumétricos 3D, se introduce un adaptador ligero. Este procesa los volúmenes de entrada como secuencias de cortes superpuestos (por ejemplo, un corte objetivo más los vecinos adyacentes) y utiliza una estructura de convolución 3D para modelar las dependencias entre cortes sin descongelar el pesado codificador ViT de SAM.
   • Decodificador de Predicción Geométrica Multicabeza: Extendiendo el decodificador de SAM, este módulo incluye ramas paralelas para regredir conjuntamente la máscara semántica, el VDM y el VTM.
   • Bloque de Fusión Global-Local (GLFB): Este bloque agrega características de múltiples niveles (contexto semántico global, texturas locales superficiales y abstracciones semánticas profundas) junto con los prioris geométricos autopredichos (VDM/VTM). Un mecanismo de hiperred dinámica pondera adaptativamente estas características para refinar la topología vascular final.

3. Estrategia de Entrenamiento en Dos Etapas:

   • Etapa I (Adaptación de Características Macro): El codificador de SAM se mantiene congelado mientras el adaptador 2.5D y las cabezas del decodificador se entrenan para aprender las relaciones entre cortes y mapear los prioris geométricos.
   • Etapa II (Ajuste Fino Topológico): El adaptador se congela y el módulo de fusión y las cabezas de predicción se ajustan con una tasa de aprendizaje más baja para optimizar la precisión de los bordes y la consistencia topológica.

El entrenamiento utiliza una función de pérdida compuesta que combina entropía cruzada, Dice, Dice de línea central (clDice) y pérdidas L1 para los mapas de distancia y espesor.

Contribuciones Clave

• Segmentación por Prioris Geométricos: Introducción de un marco de optimización conjunta para los Mapas de Espesor de Vasos (VTM) y los Mapas de Distancia de Vasos (VDM), que refuerza explícitamente la preservación de la topología vascular y las estructuras geométricas coherentes a través de patrones de ramificación complejos.
• Marco 2.5D Ligero: Diseño de un marco de atención entre cortes con un bloque de fusión mejorado que integra pistas espaciales de múltiples niveles, fortaleciendo la coherencia entre cortes y mejorando la continuidad de los vasos de escala fina manteniendo la eficiencia computacional.
• Adaptación Eficiente de Recursos: Desarrollo de una estrategia de entrenamiento en dos etapas que permite la adaptación estable de modelos preentrenados grandes (SAM) a tareas de segmentación médica 3D bajo presupuestos computacionales limitados.

Resultados Experimentales
MorVess fue evaluado en dos desafíos de CT pulmonar: Parse2022 (enfocado en estructuras arteriales) y AIIB2023 (que presenta fibrosis pulmonar con patologías complejas).

• Métricas de Rendimiento: MorVess logró un rendimiento superior en todas las métricas en comparación con los métodos de vanguardia (incluyendo nnU-Net, Swin-UNet y COMMA).
  • En Parse2022, alcanzó un índice Dice de 86.84% (frente al 83.27% del segundo mejor) y un clDice de 83.22%.
  • En AIIB2023, alcanzó un Dice de 94.31% y un clDice de 89.34%.
  • También se observaron mejoras significativas en HD95 (precisión de bordes), AMR (tasa de omisión), DBR (ratio de detección de ramas) y DLR (ratio de detección de longitud).
• Estudios de Ablación: Los experimentos confirmaron que la inclusión de la supervisión de ambos VDM y VTM mejoró sinérgicamente el rendimiento, reduciendo el HD95 de 6.85 mm a 4.53 mm en Parse2022. El adaptador 2.5D y el GLFB también demostraron ser críticos para la continuidad 3D y la reconstrucción de detalles finos.
• Generalización de Conjunto de Datos: El modelo demostró robustez al aplicarse a conjuntos de datos fuera de distribución (HiPas y ATM2022) sin ajuste fino, manteniendo altos puntajes de Dice y clDice, lo que indica que las restricciones geométricas codifican la continuidad topológica en lugar de la apariencia específica del conjunto de datos.
• Análisis Geométrico: Utilizando el Vascular Modeling Toolkit (VMTK), MorVess mostró el error más bajo en el Volumen Total de Vasos (TVV) y la mayor correlación en la distribución del diámetro en comparación con la verdad de campo, validando su capacidad para preservar las características fisiológicas de los vasos.
• Eficiencia: El modelo requiere solo 1.0M de parámetros entrenables y 42 GMACs por pila de cortes, significativamente menor que los métodos competidores como nnU-Net (32M de parámetros, 180 GMACs).

Significado y Reivindicaciones
El artículo sostiene que MorVess ofrece un camino basado en principios y escalable hacia el análisis preciso de vasos al embeber inteligencia geométrica en modelos de visión preentrenados. Al ir más allá de la simple optimización de la máscara binaria para incluir restricciones geométricas explícitas y diferenciables (distancia y espesor), el marco aborda las limitaciones fundamentales de los modelos actuales para recuperar la morfología tubular continua. Los autores afirman que este enfoque permite una cuantificación estructural clínicamente fiable, particularmente para la recuperación de vasos pequeños y la conectividad global, que son críticas para el diagnóstico de enfermedades pulmonares y la planificación preoperatoria. El trabajo destaca que combinar la adaptabilidad de los modelos fundacionales con la supervisión consciente de la morfología puede superar el compromiso entre la alta precisión y el costo computacional del procesamiento 3D.