🤖 AI

SRMA-Mamba: Spatial Reverse Mamba Attention Network for Pathological Liver Segmentation in MRI Volumes

L'article introduit SRMA-Mamba, un nouveau réseau basé sur Mamba qui exploite un module Mamba fondé sur l'anatomie spatiale et un module d'attention Mamba spatiale inversée pour modéliser efficacement les relations spatiales complexes et affiner les détails des contours pour une segmentation de pointe du foie pathologique en 3D dans les volumes IRM.

Auteurs originaux : Jun Zeng, Quoc-Huy Trinh, Deepak Ranjan Nayak, Nikhil Kumar Tomar, Ulas Bagci, Debesh Jha

Publié 2026-06-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jun Zeng, Quoc-Huy Trinh, Deepak Ranjan Nayak, Nikhil Kumar Tomar, Ulas Bagci, Debesh Jha

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

Le gros problème : Trouver le « mauvais » foie dans un puzzle en 3D

Imaginez qu'un patient ait un foie malade (cirrhose). Les médecins doivent voir exactement où se trouvent les parties malades pour aider le patient. Habituellement, ils regardent des scanners IRM 3D, qui sont comme des milliers de fines tranches de pain empilées pour former une miche.

Actuellement, les médecins doivent regarder ces tranches une par une et dessiner le contour du foie malade à la main. C'est :

Fatiguant : Cela prend beaucoup de temps.
Inconstant : Un médecin peut dessiner la ligne légèrement différemment d'un autre.
Difficile : Le foie malade a souvent un aspect désordonné et irrégulier, ce qui rend difficile de déterminer où il commence et où il s'arrête.

Des programmes informatiques (IA) existent pour faire cela automatiquement, mais beaucoup d'entre eux ont du mal. Ils traitent souvent le foie en 3D comme une longue liste plate de nombres (comme si l'on déroulait un tapis), ce qui les fait perdre la « forme 3D » et les relations spatiales entre les différentes parties du foie. Cela conduit à des contours désordonnés et imprécis.

La solution : SRMA-Mamba

Les auteurs ont créé un nouveau système d'IA appelé SRMA-Mamba. Considérez-le comme un assistant robot super intelligent, conçu spécifiquement pour examiner les scanners de foie en 3D et dessiner des contours parfaits des parties malades.

Voici comment il fonctionne, décomposé en trois astuces :

1. Le « Détective aux trois angles » (SABMamba)

La plupart des IA regardent un objet 3D sous un seul angle ou le l'aplatissent. Mais imaginez que vous essayiez de comprendre une sculpture complexe. Si vous ne la regardez que de face, vous manquez les côtés et l'arrière.

Comment SRMA-Mamba le fait : Il agit comme un détective qui tourne autour du foie pour l'observer sous trois angles spécifiques simultanément : Avant-Arrière (Axial), Côté-Côté (Coronal) et Haut-Bas (Sagittal).
L'analogie : Au lieu de regarder une seule tranche de pain, cette IA regarde la miche entière par le haut, par le côté et par l'extrémité en même temps. Elle combine ces trois vues pour comprendre la véritable forme 3D du foie malade, s'assurant ainsi de ne manquer aucun coin caché.

2. Le « Filtre Intelligent » (ABSS)

Une fois que l'IA observe le foie sous tous les angles, elle doit décider quelles informations sont importantes et lesquelles ne sont que du bruit de fond.

Comment SRMA-Mamba le fait : Il utilise un mécanisme de « Balayage Sélectif » (Selective Scan).
L'analogie : Imaginez que vous soyez dans une pièce bondée en essayant d'entendre la voix d'une personne spécifique. Vous n'écoutez pas tout le monde de la même manière ; vous aiguisez vos oreilles pour vous concentrer uniquement sur cette voix et ignorer le brouhaha. Ce module fait la même chose avec les données de l'IRM : il filtre le « bruit » (tissus sains ou espace vide) et concentre son attention uniquement sur le « signal » (le tissu hépatique pathologique).

3. Le « Ajusteur de précision » (SRMA)

Après avoir fait une première supposition sur l'emplacement du foie malade, le contour peut être un peu grossier ou flou, comme un croquis dessiné avec un marqueur épais.

Comment SRMA-Mamba le fait : Il utilise un module d'« Attention Inverse » (Reverse Attention).
L'analogie : Imaginez un artiste qui dessine un croquis rapide d'un visage, puis recule, observe les erreurs, et utilise un stylo à pointe fine pour nettoyer les bords et corriger les détails. Ce module prend le « croquis brut » (la supposition initiale) et les « caractéristiques » (les détails trouvés précédemment) et travaille à l'envers pour affiner les contours. Il cible spécifiquement les limites pour s'assurer que la ligne entre le « foie malade » et le « foie sain » est nette et précise.

Qu'ont-ils découvert ?

Les auteurs ont testé ce nouvel assistant robot sur une large collection de véritables scanners de foie IRM (628 scans au total). Ils l'ont comparé à d'autres systèmes d'IA de haut niveau.

Les résultats : SRMA-Mamba a gagné. Il était plus précis que les autres méthodes pour trouver le foie malade.
Les mesures : Il a obtenu des scores plus élevés pour la correspondance avec la « vérité » (score Dice) et a commis moins d'erreurs dans la distance des bords (distance de Hausdorff).
Efficacité : Il a également réalisé cela en utilisant moins de puissance informatique que certains des autres modèles très lourds.

Résumé

En bref, SRMA-Mamba est un nouvel outil d'IA qui examine les scanners de foie 3D sous plusieurs angles à la fois, filtre le bruit pour se concentrer sur la maladie, et affine ensuite son dessin pour obtenir des contours parfaits. Il s'est avéré être le meilleur pour trouver et détourer automatiquement les foies malades dans les scanners IRM par rapport à la technologie actuelle.

Résumé technique : SRMA-Mamba pour la segmentation du foie pathologique

Énoncé du problème

La cirrhose du foie représente un défi de santé mondiale critique, servant de manifestation terminale de la fibrose hépatique progressive. Bien que l'imagerie par résonance magnétique (IRM) soit devenue une pierre angulaire du diagnostic non invasif grâce à son contraste supérieur des tissus mous, la délimitation précise des structures hépatiques pathologiques demeure difficile. La segmentation manuelle est laborieuse et souffre d'une variabilité inter-observateur significative.

Les méthodes automatisées existantes, particulièrement celles basées sur l'apprentissage profond, font face à des limitations spécifiques dans ce domaine :

Sous-utilisation du contexte spatial : De nombreuses approches traitent les données IRM volumétriques comme des séquences linéaires, ce qui perturbe intrinsèquement la topologie spatiale 3D.
Morphologies anisotropes : Les structures cirrhotiques présentent des formes hautement irrégulières et anisotropes. Écarter le contexte spatial au profit de la linéarisation conduit à des définitions de contours sous-optimales et à des résultats de segmentation fragmentés.
Relations anatomiques complexes : Les méthodes actuelles échouent souvent à capturer pleinement les relations spatiales complexes entre les voxels à travers différents plans anatomiques, entravant l'explicabilité clinique et l'efficacité.

Méthodologie

Les auteurs proposent SRMA-Mamba (Spatial Reverse Mamba Attention Network), une nouvelle architecture conçue pour modéliser les relations spatiales au sein des structures anatomiques complexes des volumes IRM à l'aide de modèles d'espace d'état (SSM). Le réseau suit une structure encodeur-décodeur avec trois innovations centrales :

1. Architecture globale

SRMA-Mamba utilise un cadre hiérarchique encodeur-décodeur. L'encodeur extrait les caractéristiques des volumes IRM cirrhotiques d'entrée, tandis que le décodeur affine progressivement les cartes de segmentation. Contrairement aux décodeurs standards, cette architecture intègre un module d'attention Spatial Reverse Mamba (SRMA) à plusieurs étapes pour affiner progressivement les détails des contours en utilisant les caractéristiques provenant des étapes d'encodage et des cartes de segmentation grossières.

2. Spatial Anatomy-Based Mamba (SABMamba)

Inspiré par la pratique clinique des radiologues qui examinent les volumes IRM à travers plusieurs plans, le module SABMamba modélise les relations anatomiques complexes en intégrant des informations de trois plans orthogonaux : sagittal, coronal et axial.

Structure : Il se compose de branches résiduelles consécutives. Une branche utilise un bloc Anatomy-Based Mamba (ABM), tandis que l'autre utilise un Perceptron Multicouche (MLP).
Anatomy-Based Selective Scan (ABSS) : Un composant clé au sein du bloc ABM, le module ABSS apprend les représentations de caractéristiques spatiales pour les tissus hépatiques pathologiques. Il fonctionne en :
1. Redimensionnement (Reshaping) : Réorganiser le volume d'entrée en trois plans anatomiques ( $f_h, f_w, f_d$ ).
2. Expansion de balayage (Scan Expanding) : Déplier les données de ces plans en séquences selon quatre directions distinctes.
3. Traitement sélectif : Utiliser le module S6 (issu de Mamba) pour traiter sélectivement ces séquences, filtrant les informations non pertinentes tout en préservant les caractéristiques pertinentes.
4. Fusion de balayage (Scan Merging) : Intégrer les séquences traitées de nouveau dans la résolution d'origine.
  Cette approche permet un traitement direct des données volumétriques 3D avec une faible complexité de calcul tout en préservant la topologie spatiale 3D.

3. Spatial Reverse Mamba Attention (SRMA)

Le module SRMA est conçu pour affiner progressivement les détails des contours dans la carte de segmentation.

Mécanisme : Il prend la carte de segmentation grossière ( $S_{i+1}$ ) et la carte de caractéristiques du niveau d'encodage actuel ( $f_i$ ) comme entrées.
Attention inverse : La carte de segmentation grossière passe par une fonction Sigmoïde et une opération inverse pour générer des poids d'attention ( $A_i = 1 - \text{Sigmoid}(S_{i+1})$ ).
Affinement : Ces poids sont appliqués via une multiplication élément par élément à la carte de caractéristiques améliorée. Le résultat est traité par un module SABMamba et des couches convolutionnelles pour générer la sortie affinée. Ce processus améliore l'agrégation des caractéristiques et la délimitation des contours.

Contributions clés

L'article expose quatre contributions principales :

Réseau SRMA-Mamba : Un nouveau réseau pour la segmentation efficace du foie pathologique volumétrique qui répond aux limitations de la modélisation de séquences linéaires dans l'imagerie médicale 3D.
Module SABMamba : Un mécanisme qui effectue des balayages à travers plusieurs perspectives anatomiques (sagittale, coronale, axiale) pour construire une représentation du contexte spatial global.
Module SRMA : Un mécanisme d'affinement progressif qui utilise les caractéristiques d'encodage hiérarchiques et les cartes de segmentation grossières pour améliorer la précision des contours.
Module ABSS : Un module de balayage sélectif basé sur l'anatomie qui permet le traitement direct des données volumétriques 3D avec une faible complexité de calcul, préservant ainsi l'information anatomique spatiale.

Résultats expérimentaux

Les auteurs ont évalué SRMA-Mamba sur le jeu de données CirrMRI600+, qui comprend 628 scanners abdominaux IRM (310 pondérés en T1 et 318 pondérés en T2). Le modèle a été comparé à des méthodes de pointe incluant des CNN (SegResNet, UX-Net, MedNeXt), des Transformers (SwinUNETR, SwinUNETRv2) et des modèles basés sur Mamba (SegMamba).

Performance quantitative

Jeu de données T1W : SRMA-Mamba a atteint une mDSC de 92,95 % et une mIoU de 87,59 %, surpassant la meilleure méthode précédente (SegMamba) de 1,15 % et 1,89 %, respectivement. Il a également démontré une précision de contour supérieure avec un HD95 de 17,52 et un ASSD de 3,05.
Jeu de données T2W : Le modèle a atteint une mDSC de 86,25 % et une mIoU de 78,24 %, dépassant à nouveau SegMamba.
Efficacité computationnelle : Malgré ses hautes performances, SRMA-Mamba a démontré une complexité de calcul nettement inférieure à celle de SegMamba, avec 17,22 M de paramètres et 149,14 GFLOPs, contre 64,24 M de paramètres et 2379,03 GFLOPs pour SegMamba.

Analyse qualitative et d'ablation

Résultats qualitatifs : Les comparaisons visuelles ont montré la capacité supérieure de SRMA-Mamba à délimiter aussi bien les régions pathologiques larges que petites, et à gérer les détails de contours complexes par rapport aux autres méthodes.
Étude d'ablation : Le retrait de SABMamba a réduit la mDSC de 92,95 % à 80,62 %, confirmant son rôle dans la modélisation de l'anatomie spatiale. Le retrait de SRMA a réduit la mDSC à 90,63 %, validant sa contribution à l'affinement des contours.
Configuration des plans : Les expériences ont montré que l'utilisation des trois plans anatomiques (Axial, Sagittal, Coronal) surpasse systématiquement les configurations à plan unique, validant l'approche d'apprentissage de représentation multi-plans.

Signification et affirmations

L'article affirme que SRMA-Mamba comble l'écart critique des méthodes existantes en modélisant efficacement la topologie spatiale 3D des structures hépatiques pathologiques sans la fragmentation causée par la linéarisation. En intégrant l'information des plans anatomiques et en employant un mécanisme d'attention inverse, le réseau atteint des performances de pointe pour la segmentation du foie pathologique en 3D. Les auteurs soutiennent que cette approche améliore non seulement la précision de la segmentation, mais renforce également l'explicabilité clinique en préservant mieux les détails anatomiques complexes nécessaires au pronostic et aux stratégies d'intervention. Ce travail positionne l'intégration des modèles d'espace d'état avec des priors anatomiques comme une direction prometteuse pour l'analyse d'images médicales volumétriques.