M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification

Résumé Technique : M3Net pour la Classification des Nodules Pulmonaires

Énoncé du Problème
La différenciation précise entre nodules pulmonaires bénins et malins dans les scanners CT est une tâche critique mais difficile dans le dépistage précoce du cancer du poumon. Bien que les modèles d'apprentissage profond aient démontré une haute précision prédictive sur des références comme LIDC-IDRI, ils fonctionnent souvent comme des « boîtes noires », manquant de transparence et d'explicabilité requises pour l'intégration clinique. Les approches existantes échouent fréquemment à modéliser systématiquement la logique diagnostique hiérarchique utilisée par les radiologues, qui progresse des détails structuraux fins au contexte local, puis enfin aux relations anatomiques globales. De plus, de nombreux modèles reposent sur des entrées unimodales ou des techniques d'explicabilité a posteriori qui ne s'alignent pas avec les représentations de caractéristiques internes du modèle, limitant ainsi leur fiabilité dans des scénarios diagnostiques réels.

Méthodologie : M3Net
Les auteurs proposent M3Net, un réseau 3D novateur inspiré du flux de travail diagnostique hiérarchique des radiologues. Le cadre fonctionne sur un principe Macro $\rightarrow$ Méso $\rightarrow$ Micro, intégrant des informations contextuelles multi-échelles grâce à un protocole d'entraînement en deux étapes et un mécanisme de fusion par attention croisée hiérarchique.

1. Stratégie d'Entrée Inspirée Cliniquement :
   Le modèle traite trois patchs volumétriques imbriqués représentant différentes échelles spatiales :

   • Échelle Micro ($X_{32}$) : Capture les structures fines du nodule (par exemple, spicules, lobulation, texture interne).
   • Échelle Méso ($X_{64}$) : Encode le contexte local et les relations péri-nodulaires (par exemple, convergence vasculaire, adjacence pleurale).
   • Échelle Macro ($X_{96}$) : Représente les relations spatiales globales et le contexte anatomique à longue portée (par exemple, compression tissulaire, connectivité vasculaire à grande échelle).

2. Encodage et Alignement Spécifiques à l'Échelle :
   Chaque échelle est traitée par un réseau de base dédié (par exemple, ConvNeXt, ResNet). Pour assurer la cohérence sémantique à travers les échelles, les auteurs emploient un protocole d'entraînement en deux étapes :

   • Étape 1 (Pré-entraînement Discriminatif) : Chaque branche spécifique à une échelle est optimisée indépendamment en utilisant un objectif de classification par entropie croisée. Les couches inférieures sont partiellement figées pour préserver les représentations de texture et de bordure de bas niveau.
   • Étape 2 (Alignement Inter-échelle) : Le réseau est affiné pour imposer la cohérence entre les échelles. Cela implique de projeter les caractéristiques spécifiques à une échelle dans un espace latent unifié et d'optimiser une fonction de perte d'alignement hiérarchique ($\mathcal{L}_{align}$) comprenant :
     • Perte InfoNCE : Maximise l'information mutuelle entre les embeddings latents de différentes échelles.
     • Alignement de Covariance : Minimise la distance de Frobenius entre les matrices de covariance par échelle pour stabiliser la géométrie des caractéristiques.
     • Régularisation d'Orthogonalité et de Norme Nucléaire : Empêche l'effondrement de la représentation et encourage des sous-espaces diversifiés et complémentaires.

3. Fusion par Attention Croisée Hiérarchique :
   Les caractéristiques alignées sont fusionnées via un mécanisme d'attention progressif qui imite le raisonnement clinique :

   • Étape I (Raisonnement Périphérique) : Les embeddings de basse et moyenne échelle échangent des indices de frontière et de texture.
   • Étape II (Assimilation du Contexte) : Les embeddings à échelle globale interagissent avec des caractéristiques locales affinées pour moduler les indices fins avec un contexte plus large.
   • Étape III (Intégration) : Un encodeur Transformer hiérarchique intègre la séquence fusionnée, appliquant une régularisation $l_2$ sur les poids d'attention pour prévenir un focus trop confiant, avant la classification finale.

Contributions Clés

• Cadre Hiérarchique : L'article introduit un réseau 3D Macro-Méso-Micro (M3) guidé cliniquement qui aligne le raisonnement du modèle sur le flux de travail cognitif du radiologue, passant des détails fins au contexte global.
• Fusion Progressive Multi-échelle : La méthode construit des entrées multi-échelles progressives et emploie des encodeurs spécifiques à l'échelle avec projection dans l'espace latent et maximisation de l'information mutuelle pour assurer la cohérence sémantique inter-échelle.
• Performance de l'État de l'Art : Des expériences extensives démontrent que M3Net surpasse les références existantes (y compris les 3D-CNN, ResNets et modèles basés sur Transformer) à la fois sur le jeu de données public LIDC-IDRI et sur un jeu de données clinique auto-recueilli (USTC-FHLN).
• Explicabilité par Conception : Contrairement aux méthodes a posteriori, l'architecture du modèle soutient intrinsèquement l'explicabilité en structurant l'extraction de caractéristiques pour refléter les étapes diagnostiques cliniques, facilitant la vérification croisée homme-machine.

Résultats Expérimentaux
Les auteurs ont évalué M3Net sur deux jeux de données :

• LIDC-IDRI : M3Net a atteint une précision de 86,96 %, surpassant la meilleure référence (ResNet-18 à 82,67 % et DeepLung à 83,70 %) de 3,26 %. Il a également obtenu le score F1 le plus élevé (86,66 %) et la précision équilibrée la plus élevée (80,12 %).
• USTC-FHLN (Données Cliniques) : Le modèle a atteint une précision de 84,24 %, surpassant la meilleure référence de 2,17 %.
• Études d'Ablation :
  • Le retrait d'une échelle unique (Micro, Méso ou Macro) a entraîné une dégradation des performances, confirmant la valeur complémentaire des informations multi-échelles.
  • La fonction de perte d'alignement complète (incluant les termes de covariance, d'orthogonalité et de norme nucléaire) était cruciale, la perte de norme nucléaire contribuant significativement à la cohérence globale.
  • Les visualisations Grad-CAM ont indiqué que M3Net produit des cartes d'attention plus stables et spatialement concentrées autour des régions nodulaires par rapport aux références, qui présentaient souvent une activation dispersée sur les tissus environnants.

Signification et Revendications
L'article revendique que M3Net fournit une solution robuste et cliniquement pertinente pour la classification des nodules pulmonaires en comblant le fossé entre l'IA axée sur les données et la pratique clinique. En intégrant la logique diagnostique hiérarchique du radiologue dans l'architecture du réseau, le modèle atteint non seulement une précision supérieure mais offre également un processus de raisonnement structuré et interprétable. Les auteurs postulent que cette approche renforce la fiabilité du diagnostic assisté par l'IA, permettant aux médecins d'évaluer les prédictions d'un point de vue physiopathologique. Bien que le cadre soit actuellement centré sur les nodules pulmonaires, les auteurs suggèrent que le paradigme de raisonnement hiérarchique macro-méso-micro pourrait être étendu à d'autres tâches d'imagerie médicale centrées sur les lésions, telles que l'analyse des lésions hépatiques et l'évaluation des masses mammaires, sous réserve d'adaptations spécifiques à la tâche.