MorVess: Morphology-Aware Pulmonary Vessel Segmentation Network

Résumé Technique : MorVess – Réseau de Segmentation des Vaisseaux Pulmonaires Sensible à la Morphologie

Énoncé du Problème
La segmentation précise des vaisseaux pulmonaires reste un défi majeur en analyse d'images médicales en raison de la nature éparse, tortueuse et multi-échelle des structures vasculaires. Les approches de deep learning existantes optimisent principalement les masques binaires via une supervision par voxel, ce qui échoue souvent à préserver la morphologie tubulaire continue et la connectivité fine des petites branches. Les méthodes traditionnelles et les modèles de deep learning standards peinent face aux discontinuités topologiques, à l'ambiguïté des contours et aux incohérences de diamètre, particulièrement dans les régions microvasculaires distales où les vaisseaux sont ténus et à faible contraste. De plus, bien que les modèles de fondation comme le Segment Anything Model (SAM) soient prometteurs, leur application directe aux données volumétriques 3D est entravée par l'absence de contexte spatial 3D (lorsqu'ils sont traités coupe par coupe) et par l'absence de contraintes géométriques explicites nécessaires aux structures tubulaires.

Méthodologie
Les auteurs proposent MorVess, un cadre de segmentation sensible à la morphologie qui intègre des priors géométriques différentiables avec l'adaptation de modèles de fondation à grande échelle. L'architecture se compose de trois composants principaux :

1. Génération de Priors Géométriques : Pour remédier à l'ambiguïté des contours et à la discontinuité du diamètre, la méthode génère deux signaux de supervision continus et différentiables à partir des masques de vérité terrain (ground-truth) :

   • Carte de Distance Vasculaire (VDM - Vessel Distance Map) : Transforme les contours des masques binaires en champs de potentiel de gradient lisses via une érosion morphologique et une décroissance exponentielle de la distance. Cela permet une localisation sous-pixel et accentue les gradients de bordure.
   • Carte d'Épaisseur Vasculaire (VTM - Vessel Thickness Map) : Dérivée du squelette de la ligne médiane vasculaire, cette carte assigne des valeurs d'épaisseur aux voxels basées sur le rayon de la sphère inscrite maximale. Elle impose une cohérence globale du diamètre des vaisseaux et empêche les oscillations non physiques dans les régions locales.

2. Réseau d'Adaptation Géométrique 2.5D :

   • Adaptateur 2.5D : Pour combler l'écart entre les représentations 2D pré-entraînées de SAM et les données volumétriques 3D, un adaptateur léger est introduit. Il traite les volumes d'entrée comme des séquences de coupes chevauchantes (par exemple, une coupe cible plus les voisines adjacentes) et utilise une structure de convolution 3D pour modéliser les dépendances inter-coupes sans débloquer l'encodeur lourd de SAM ViT.
   • Décodeur de Prédiction Géométrique Multi-têtes : Étendant le décodeur de SAM, ce module inclut des branches parallèles pour régresser conjointement le masque sémantique, la VDM et la VTM.
   • Bloc de Fusion Global-Local (GLFB - Global-Local Fusion Block) : Ce bloc agrège les caractéristiques multi-niveaux (contexte sémantique global, textures locales peu profondes et abstractions sémantiques profondes) ainsi que les priors géométriques auto-prédits (VDM/VTM). Un mécanisme d'hyperréseau dynamique pondère de manière adaptative ces caractéristiques pour affiner la topologie vasculaire finale.

3. Stratégie d'Entraînement en Deux Étapes :

   • Étape I (Adaptation des Caractéristiques Macro) : L'encodeur de SAM est gelé tandis que l'adaptateur 2.5D et les têtes de décodeur sont entraînés pour apprendre les relations inter-coupes et cartographier les priors géométriques.
   • Étape II (Affinage Topologique) : L'adaptateur est gelé, et le module de fusion ainsi que les têtes de prédiction sont affinés avec un taux d'apprentissage plus faible pour optimiser la précision des contours et la cohérence topologique.

L'entraînement utilise une fonction de perte composite combinant les pertes Cross-Entropy, Dice, Dice de la ligne médiane (clDice) et L1 pour les cartes de distance et d'épaisseur.

Contributions Clés

• Segmentation par Prior Géométrique : Introduction d'un cadre d'optimisation conjointe pour les Cartes d'Épaisseur Vasculaire (VTM) et les Cartes de Distance Vasculaire (VDM), qui renforce explicitement la préservation de la topologie vasculaire et des structures géométriques cohérentes à travers des motifs de ramification complexes.
• Cadre 2.5D Léger : Conception d'un cadre d'attention inter-coupes avec un bloc de fusion amélioré qui intègre des indices spatiaux multi-niveaux, renforçant la cohérence inter-coupes et améliorant la continuité des vaisseaux à petite échelle tout en maintenant l'efficacité computationnelle.
• Adaptation Économe en Ressources : Développement d'une stratégie d'entraînement en deux étapes qui permet une adaptation stable des grands modèles pré-entraînés (SAM) aux tâches de segmentation médicale 3D sous des budgets de calcul limités.

Résultats Expérimentaux
MorVess a été évalué sur deux benchmarks de CT pulmonaire exigeants : Parse2022 (axé sur les structures artérielles) et AIIB2023 (présentant une fibrose pulmonaire avec des pathologies complexes).

• Métriques de Performance : MorVess a obtenu des performances supérieures sur toutes les métriques par rapport aux méthodes de l'état de l'art (incluant nnU-Net, Swin-UNet et COMMA).
  • Sur Parse2022, il a atteint un score Dice de 86,84 % (contre 83,27 % pour le deuxième meilleur) et un clDice de 83,22 %.
  • Sur AIIB2023, il a atteint un Dice de 94,31 % et un clDice de 89,34 %.
  • Des améliorations significatives ont également été observées pour l'HD95 (précision des contours), l'AMR (taux d'omission), le DBR (ratio de détection des branches) et le DLR (ratio de détection de longueur).
• Études d'Ablation : Les expériences ont confirmé que l'inclusion de la supervision VDM et VTM améliore la performance de manière synergique, réduisant l'HD95 de 6,85 mm à 4,53 mm sur Parse2022. L'adaptateur 2.5D et le GLFB se sont également révélés critiques pour la continuité 3D et la reconstruction des détails fins.
• Généralisation Inter-Datasets : Le modèle a démontré sa robustesse lors de l'application à des jeux de données hors distribution (HiPas et ATM2022) sans ajustement (fine-tuning), maintenant des scores élevés de Dice et clDice, indiquant que les contraintes géométriques encodent la continuité topologique plutôt que l'apparence spécifique au dataset.
• Analyse Géométrique : En utilisant le Vascular Modeling Toolkit (VMTK), MorVess a montré l'erreur la plus faible pour le Volume Total Vasculaire (TVV) et la plus haute corrélation dans la distribution des diamètres par rapport à la vérité terrain, validant sa capacité à préserver les caractéristiques physiologiques des vaisseaux.
• Efficacité : Le modèle ne nécessite que 1,0 M de paramètres entraînables et 42 GMACs par empilement de coupes, soit nettement moins que les méthodes concurrentes comme nnU-Net (32 M de paramètres, 180 GMACs).

Signification et Revendications
L'article affirme que MorVess offre une voie structurée et évolutive vers une analyse précise des vaisseaux en intégrant l'intelligence géométrique dans les modèles de vision pré-entraînés. En allant au-delà de la simple optimisation de masques binaires pour inclure des contraintes géométriques explicites et différentiables (distance et épaisseur), le cadre répond aux limitations fondamentales des modèles actuels pour récupérer une morphologie tubulaire continue. Les auteurs soutiennent que cette approche permet une quantification structurelle cliniquement fiable, particulièrement pour la récupération des petits vaisseaux et la connectivité globale, qui sont cruciales pour le diagnostic des maladies pulmonaires et la planification préopératoire. Ce travail souligne que la combinaison de l'adaptabilité des modèles de fondation et d'une supervision sensible à la morphologie peut surmonter le compromis entre haute précision et coût computationnel du traitement 3D.