Dissecting Model Failures in Abdominal Aortic Aneurysm Segmentation through Explainability-Driven Analysis

1. Problématique

La segmentation des anévrismes de l'aorte abdominale (AAA) à partir d'images tomodensitométriques (CT) est cruciale pour l'évaluation des risques et la planification chirurgicale. Cependant, les modèles d'apprentissage profond actuels (y compris les architectures U-Net et les grands encodeurs visuels comme le Segment Anything Model - SAM) échouent souvent dans des cas cliniques complexes.

Les principales causes d'échec identifiées sont :

• Mauvaise allocation de l'attention : Le modèle se concentre sur des structures anatomiques non pertinentes (vaisseaux adjacents, tissus mous) au lieu de la paroi de l'anévrisme.
• Faible contraste et structures fines : Difficulté à segmenter les parois fines et à faible contraste.
• Incohérence temporelle : Des transitions anatomiques implausibles d'une tranche à l'autre (slices).
• Limites des fonctions de perte classiques : Les pertes standard (Dice, entropie croisée) traitent les erreurs implicitement au niveau des pixels mais ne corrigent pas directement le focus interne du modèle (où le modèle "regarde" réellement).

2. Méthodologie : Le cadre XAI-SAM

Les auteurs proposent un cadre novateur nommé XAI-SAM, qui utilise l'IA explicable (XAI) non pas comme un outil d'analyse post-hoc, mais comme un signal d'entraînement explicite pour façonner l'encodeur.

L'architecture repose sur une base SAM (Segment Anything Model) améliorée par trois mécanismes principaux :

A. Champ d'Attribution XAI (XAI Field)

Un champ d'attribution dense est calculé à partir du dernier bloc de l'encodeur (basé sur un Transformer ViT) en utilisant des méthodes de gradients (similaires à Grad-CAM). Ce champ, noté $\Phi$, représente la carte de "focus" interne du modèle.

B. Alignement du Focus (Focus Alignment)

Le cœur de la méthode consiste à forcer l'accord entre la probabilité de segmentation prédite ($p$) et le champ d'attribution XAI ($\Phi$). Cela se fait via deux termes de perte complémentaires :

1. Fonctionnelle de chevauchement de masse ($L_{ovlp}$) : Maximise le produit ponctuel entre la probabilité et l'attribution.
2. Divergence distributionnelle ($L_{div}$) : Minimise la divergence (type KL) entre les distributions normalisées de la probabilité et de l'attribution.
   Objectif : Si le modèle prédit une segmentation, il doit "regarder" cette même région.

C. Régularisation Anatomique et Cohérence

• Précedent de Confiance (Confidence Prior) : Un décodeur auxiliaire génère une carte de confiance ($m_c$) qui module les logits lors de l'inférence pour supprimer les distracteurs.
• Perte de Cohérence par Paires (Pairwise Consistency) : Un petit classificateur CNN est entraîné sur des paires de masques consécutifs (vrais masques) pour apprendre ce qu'est une transition anatomique réaliste. Ce classificateur sert de régularisateur pour pénaliser les prédictions incohérentes entre tranches adjacentes.
• Perte Sensible à l'Anatomie ($L_{anat}$) : Combine des pénalités basées sur les gradients (bords) et une approximation différentielle de l'axe médian (squelette) pour préserver la finesse des parois et la topologie.

3. Contributions Clés

1. Changement de paradigme : Traitement de la carte d'attribution de l'encodeur comme un signal d'entraînement de premier ordre (first-class training signal) plutôt que comme un sous-produit.
2. Fonction de perte d'alignement : Introduction d'une perte qui force l'accord entre la masse de probabilité de segmentation et le champ d'attribution XAI.
3. Régularisateur appris : Utilisation d'un classificateur entraîné sur des paires de masques pour imposer une cohérence anatomique inter-tranches, évitant les pénalités manuelles complexes.
4. Analyse empirique approfondie : Étude détaillée des échecs des modèles de base sur des cas complexes et démonstration de la correction de ces échecs par la méthode proposée.

4. Résultats Expérimentaux

L'évaluation a été réalisée sur un ensemble de données cliniques de 147 examens CTA (9 037 tranches), divisé en un ensemble de test général et un ensemble de test complexe (cas difficiles où les modèles échouent).

Performances sur l'ensemble de test complexe (Outer Wall & Lumen) :

• XAI-SAM surpasse significativement les bases (U-Net, U-Net++, MedSAM, SAM standard).
• Segmentation de la paroi externe (Outer Wall) :
  • IoU : 94,95 % (contre 78,43 % pour SAM de base).
  • Dice : 97,30 % (contre 86,83 %).
  • HD95 (distance de Hausdorff) : 0,31 mm (contre 5,49 mm), indiquant une précision des bords exceptionnelle.
• Segmentation du lumen :
  • IoU : 94,55 % (contre 82,11 %).
  • Dice : 97,11 % (contre 89,57 %).

Analyse qualitative :
Les visualisations montrent que XAI-SAM corrige les fuites (leakage) vers les vaisseaux adjacents et maintient une cohérence anatomique sur l'ensemble de la séquence axiale, là où les autres modèles produisent des masques diffus ou incohérents.

5. Signification et Impact

Ce travail démontre que l'intégration explicite de l'explicabilité dans le processus d'apprentissage est une stratégie pratique et efficace pour la segmentation médicale complexe.

• Au-delà des métriques globales : L'amélioration n'est pas seulement statistique ; elle résout des échecs cliniques critiques (fuites, incohérences).
• Alignement clinique : En forçant le modèle à "regarder" là où il prédit, le système devient plus aligné avec l'intuition clinique et la structure anatomique réelle.
• Généralité : Bien que testé sur les AAA, le cadre est générique et applicable à d'autres tâches de segmentation d'organes ou de vaisseaux où l'attention mal allouée est un problème majeur.

En conclusion, l'article propose de passer d'une utilisation diagnostique de l'IA explicable à une utilisation pédagogique, où l'explicabilité guide activement l'apprentissage pour produire des modèles de segmentation plus robustes et fiables.