🤖 machine learning

Evaluation of Blood Vessel Segmentation Methods on Hard-to-Detect Vascular Structures

Cet article introduit un indice de saillance locale des vaisseaux (LVS) et une métrique de rappel de faible saillance moyenne (mLSR) correspondante pour révéler que les méthodes de segmentation standard échouent systématiquement à détecter les structures vasculaires difficiles à détecter, tout en proposant également une stratégie d'augmentation de données pour améliorer la sensibilité algorithmique et préserver la connectivité vasculaire.

Auteurs originaux : João Pedro Parella, Matheus Viana da Silva, Cesar Henrique Comin

Publié 2026-07-28

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : João Pedro Parella, Matheus Viana da Silva, Cesar Henrique Comin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective tentant de résoudre un mystère dans une forêt vaste et enchevêtrée. Dans cette forêt, les arbres sont en réalité des vaisseaux sanguins, et votre tâche est de cartographier chaque branche, des troncs épais et robustes jusqu'aux plus minuscules brindilles, presque invisibles. C'est le monde de la segmentation des vaisseaux sanguins, une tâche cruciale en imagerie médicale. Les médecins et les chercheurs utilisent des ordinateurs pour dessiner ces cartes afin de repérer des maladies, de mesurer à quel point les vaisseaux sont tortueux ou même de simuler la façon dont le sang circule dans le corps.

Mais voici le hic : tous les arbres de cette forêt ne sont pas faciles à voir. Certains sont brillants et audacieux sur le fond sombre, comme des enseignes au néon. D'autres sont faibles, fantomatiques et se fondent dans l'ombre. Pendant longtemps, les scientifiques ont utilisé un « carnet de notes » pour évaluer la performance de leurs programmes informatiques. Ces carnets de notes sont cependant un peu comme si l'on notait un élève uniquement sur sa capacité à répondre aux questions faciles. Si un programme réussit 90 % des vaisseaux brillants et faciles à voir, il obtient un score élevé, même s'il rate complètement les plus faibles et les plus difficiles. C'est un problème, car manquer un minuscule vaisseau ténu peut briser toute la carte, faisant paraître la forêt déconnectée alors qu'elle est en réalité un réseau continu. La grande question est la suivante : comment construire un meilleur test qui force nos détectives informatiques à prêter attention aux indices les plus difficiles à trouver ?

Cet article introduit une nouvelle façon d'aborder le problème, agissant comme une loupe sur les parties « difficiles à voir » de la carte. Les auteurs, une équipe de l'Université Fédérale de São Carlos, ont réalisé que les tests standards cachaient une faille majeure : les ordinateurs étaient excellents pour trouver les vaisseaux évidents mais médiocres pour trouver les vaisseaux ténus. Pour corriger cela, ils ont inventé un nouvel outil appelé l'indice de Saillance Locale des Vaisseaux (LVS - Local Vessel Salience). Considérez la « saillance » comme la capacité d'un vaisseau à « ressortir » de son arrière-plan. L'indice LVS mesure cela pour chaque minuscule fragment d'un vaisseau. Si un fragment de vaisseau semble très différent du tissu environnant, il a une saillance élevée (facile à trouver). S'il ressemble presque au fond, il a une faible saillance (difficile à trouver).

En utilisant ce nouvel indice, les chercheurs ont créé un test spécial appelé Rappel de Faible Saillance moyenne (mLSR - mean Low-Salience Recall). Au lieu de simplement demander : « Combien de vaisseaux avez-vous trouvés ? », ce test demande : « Combien des vaisseaux réellement difficiles à voir avez-vous trouvés ? ». Ils ont soumis 16 programmes informatiques différents (principalement des variantes d'une conception d'IA populaire appelée U-Net) à l'épreuve de six types différents d'images médicales, allant des scanners oculaires aux angiogrammes cardiaques.

Les résultats ont été un signal d'alarme. Bien que les programmes semblaient impressionnants lors des tests standards, obtenant des notes élevées pour la précision globale, ils s'effondraient lorsque les chercheurs examinaient les vaisseaux ténus. Les auteurs ont constaté que pour les méthodes les plus performantes, le « rappel » standard (quelle partie du vaisseau a été trouvée) se situait autour de 85 % à 86 %. Cependant, lorsqu'ils sont passés au nouveau test mLSR pour se concentrer uniquement sur les parties de faible saillance les plus difficiles, les scores ont chuté de manière spectaculaire, d'environ 20 points de pourcentage. Dans les ensembles de données les plus difficiles, comme l'OCTA-500, les meilleures méthodes n'ont réussi à trouver qu'environ 58 % des vaisseaux les plus difficiles à détecter. Cela suggère que les modèles d'IA actuels « trichent » essentiellement en s'appuyant sur les parties faciles et à haut contraste de l'image et en ignorant les parties délicates.

L'article a également tenté d'enseigner une meilleure leçon à l'IA. Les chercheurs ont développé une astuce d'entraînement où ils rendaient artificiellement les vaisseaux brillants plus ténus et ajoutaient même de fausses « lacunes » dans les lignes pendant l'entraînement. L'idée était de forcer l'IA à apprendre comment relier les points même lorsque les lignes sont à peine visibles. Les résultats de cette expérience ont été mitigés mais prometteurs. Lorsque l'IA disposait d'une énorme quantité de données pour apprendre, cette astuce n'aidait pas beaucoup. Cependant, lorsque les chercheurs donnaient à l'IA très peu de données, aussi peu que 4 échantillons, l'entraînement augmenté fonctionnait à merveille. Dans ces scénarios de « famine de données », l'entraînement augmenté a permis d'améliorer considérablement les performances du modèle, suggérant que cette méthode pourrait être une bouée de sauvetage lorsque les médecins ne disposent pas de beaucoup d'images étiquetées pour enseigner à l'ordinateur.

En résumé, l'article ne prétend pas avoir résolu le problème de la découverte de chaque vaisseau sanguin. Il fournit plutôt une règle plus honnête pour mesurer la qualité de nos outils actuels. Il révèle que, bien que notre IA s'améliore pour voir l'évident, elle éprouve toujours des difficultés avec les détails subtils et ténus qui sont pourtant critiques pour une image complète. Les auteurs suggèrent que les conceptions futures doivent se concentrer moins sur le fait de réussir parfaitement les parties faciles et davantage sur l'apprentissage de la vision de l'invisible, peut-être en utilisant ces nouveaux outils de « saillance » pour guider leur entraînement.

Résumé Technique : Évaluation des méthodes de segmentation des vaisseaux sanguins sur les structures vasculaires difficiles à détecter

Énoncé du problème
La segmentation des vaisseaux sanguins est cruciale pour le diagnostic clinique et la recherche vasculaire, pourtant, des erreurs mineures de segmentation peuvent modifier considérablement les motifs de connectivité et les mesures morphologiques. Les métriques d'évaluation standard, telles que le coefficient de Dice, la précision et le rappel, agrègent les performances sur l'ensemble d'une image. Par conséquent, ces métriques globales négligent souvent les inexactitudes dans des régions spécifiques, particulièrement là où les vaisseaux présentent un faible contraste par rapport au fond. Dans ces zones « difficiles à détecter », de petites discontinuités peuvent altérer fondamentalement la topologie du réseau vasculaire, mais leur impact est dilué dans les scores standards car les vaisseaux à haut contraste dominent le calcul. Les métriques existantes ne parviennent pas à isoler la performance algorithmique sur ces structures de faible saillance, masquant ainsi les échecs systématiques de préservation de la connectivité vasculaire.

Méthodologie
Pour remédier à ces limitations, les auteurs proposent un cadre centré sur l'indice de Saillance Vasculaire Locale (LVS - Local Vessel Salience) et une métrique de performance dérivée, le rappel moyen de faible saillance (mLSR - mean Low-Salience Recall).

Indice de Saillance Vasculaire Locale (LVS) :
- L'indice LVS quantifie la difficulté d'identifier un segment de vaisseau spécifique en comparant l'intensité locale du vaisseau par rapport au fond immédiat.
- Le calcul utilise un masque d'annotation manuelle de référence (ground-truth), qui est d'abord converti en une représentation de graphe (nœuds aux bifurcations/terminaisons, arêtes comme segments de vaisseaux) à l'aide du framework Pyvane.
- Pour chaque pixel sur l'Axe Médian (MAS - Medial Axis Segment), la méthode identifie les deux points de contour les plus proches de part et d'autre du vaisseau pour définir une section transversale.
- Elle échantillonne les pixels du vaisseau ( $S_v$ ) le long de la section transversale et les pixels du fond ( $S_b$ ) dans un rayon défini ( $r_b$ ) à partir des points de contour.
- La saillance est calculée comme la différence d'intensité relative ( $\Delta I$ ) entre le vecteur d'intensité moyen du vaisseau ( $I_v$ ) et le vecteur d'intensité du fond ( $I_b$ ).
- Ces valeurs sont lissées le long du MAS et propagées à tous les pixels adjacents du vaisseau pour créer une carte LVS continue.
Rappel moyen de faible saillance (mLSR) :
- En utilisant la carte LVS, les auteurs définissent un seuil $t$ pour isoler les pixels vasculaires « difficiles » (ceux ayant un LVS $\le t$ ).
- Une métrique de rappel spécifique, le LSRecall, est calculée pour ces pixels de faible saillance.
- Pour générer un score unique et indépendant du seuil, le mLSR est calculé comme la moyenne des valeurs de LSRecall à travers une plage de seuils ( $T$ ), pondérée de manière égale pour pénaliser les erreurs dans les régions les plus difficiles.
Augmentation de données basée sur la saillance :
- Comme preuve de concept, les auteurs proposent une technique d'augmentation de données qui réduit systématiquement la saillance de segments vasculaires spécifiques pendant l'entraînement.
- Cela implique d'atténuer l'intensité du vaisseau pour correspondre au fond local et d'introduire des discontinuités synthétiques. L'objectif est de forcer les réseaux neuronaux à s'appuyer sur des indices de continuité globale plutôt que sur le contraste de la texture locale.

Configuration expérimentale
L'étude a évalué 16 méthodes de segmentation (incluant des variantes de UNet, UNet++, ResUNet, HRNet et FSGNet) à travers six jeux de données 2D largement utilisés : DRIVE, STARE, CHASEDB1, VessMAP, DCA1 et OCTA-500. Ces jeux de données englobent la photographie du fond d'œil, la microscopie à fluorescence, l'angiographie coronaire et l'OCTA. Les expériences ont utilisé des protocoles d'entraînement standards avec supervision profonde et une augmentation de données étendue (CutMix, retournement, flou) pour assurer la convergence des modèles.

Résultats clés

Corrélation avec la difficulté : L'étude démontre une forte corrélation entre la performance de segmentation et l'indice LVS. Les algorithmes échouent systématiquement à récupérer les vaisseaux présentant une faible saillance.
Écart de performance : Les valeurs de mLSR pour toutes les méthodes évaluées sont nettement inférieures à leurs valeurs de rappel standard. Une diminution typique de performance de 20 points de pourcentage a été observée lorsque l'on se concentre spécifiquement sur les vaisseaux de faible saillance.
- Pour les méthodes les plus performantes sur des jeux de données de référence comme DRIVE et OCTA-500, les valeurs de mLSR étaient d'environ 58 %, alors que le rappel standard était nettement plus élevé (ex: ~86 % pour DRIVE).
- Le jeu de données OCTA-500 s'est avéré être le plus difficile, suivi de près par DRIVE.
Divergence des métriques : Bien que le rappel global et le mLSR soient corrélés, ils divergent de manière significative au niveau de l'image (corrélation de Pearson de 0,46). Des images présentant un rappel global élevé (~90 %) peuvent présenter des valeurs de mLSR aussi basses que 30 %, confirmant que les métriques standard masquent les échecs dans les régions de faible contraste.
Efficacité de l'augmentation : L'augmentation de saillance proposée n'a pas produit d'améliorations significatives lors de l'entraînement sur des jeux de données complets (DRIVE et VessMAP), probablement parce que les données originales contenaient déjà suffisamment d'exemples de faible saillance ou que les jeux de données présentaient des distributions de saillance uniformes. Cependant, dans des scénarios de pénurie extrême de données d'entraînement (ex: 2 à 4 échantillons), l'augmentation a considérablement amélioré les performances (ex: le score Dice est passé de 75,3 % à 82,5 % avec 4 échantillons), suggérant qu'elle aide les modèles à généraliser à partir d'exemples limités.

Signification et revendications
L'article affirme que la méthodologie développée fournit une base quantitative pour concevoir des algorithmes de segmentation dotés d'une sensibilité accrue aux vaisseaux difficiles à détecter. En introduisant l'indice LVS et le mLSR, les auteurs offrent un outil pour :

Révéler les erreurs systématiques de préservation de la connectivité vasculaire que les métriques globales ignorent.
Guider le développement algorithmique futur vers la préservation de l'intégrité topologique dans les régions de faible contraste.
Identifier si les écarts de performance proviennent de limitations architecturales ou d'incohérences dans les annotations manuelles (car les vaisseaux de faible saillance sont également difficiles à annoter pour l'humain).

Les auteurs concluent que, bien que les méthodes de pointe actuelles soient performantes sur les structures à haut contraste, elles présentent des déficiences constantes dans la récupération des vaisseaux de faible saillance, une limitation qui doit être adressée pour garantir une analyse fiable du réseau vasculaire. La technique d'augmentation de saillance est présentée comme une direction prometteuse, spécifiquement pour les scénarios de données rares.

Articles similaires