EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI

Résumé Technique : EPRA U-Net pour la segmentation des infarctus en IRM de diffusion (DWI)

Énoncé du Problème
La segmentation précise des infarctus ischémiques aigus en IRM de diffusion (DWI) est cruciale pour la gestion des accidents vasculaires cérébraux (AVC), la quantification des lésions et la détermination de l'éligibilité aux traitements (ex. : thrombolyse). Cependant, cette tâche présente des défis importants :

• Déséquilibre des classes : Les lésions d'infarctus occupent une faible fraction du volume de l'image (taux de coupes positives de 14,7 % dans le jeu de données de l'étude), ce qui peut amener les modèles à ignorer les petites lésions.
• Ambiguïté des contours : Les limites des lésions manquent souvent de délimitation claire, et l'hétérogénéité du signal complique la détection.
• Asymétrie des coûts cliniques : En pratique clinique, un faux négatif (manquer une lésion) a un coût plus élevé qu'un faux positif, car les lésions manquées peuvent entraîner un retard de traitement ou des évaluations pronostiques erronées.
• Limites des modèles existants : Les U-Nets standards peuvent transférer du bruit de bas niveau ; les modèles basés sur les Transformers (ex. : TransUNet) peuvent être gourmands en ressources de calcul et sujets au surapprentissage sur de petits jeux de données monocentriques ; et les modèles 3D entraînent souvent des coûts de calcul prohibitifs.

Méthodologie
Les auteurs proposent l'EPRA U-Net (Efficient Pyramid Residual Attention U-Net), une architecture hybride de deep learning conçue spécifiquement pour répondre aux défis susmentionnés. Le modèle utilise une stratégie d'entrée 2.5D, en empilant la coupe DWI cible avec les coupes adjacentes pour capturer le contexte inter-coupes tout en maintenant l'efficacité de calcul des convolutions 2D.

L'architecture intègre quatre composants clés :

1. Encodeur EfficientNet-B0 : Sert d'extracteur hiérarchique de caractéristiques. Il utilise une stratégie de mise à l'échelle composée (équilibrant profondeur, largeur et résolution) et des modules Squeeze-and-Excitation (SE) pour extraire les caractéristiques efficacement avec un nombre réduit de paramètres par rapport aux encodeurs basés sur ResNet.
2. Blocs Résiduels-Récurrents (R2) : Intégrés dans le chemin encodeur-décodeur, ces blocs combinent des connexions résiduelles avec des opérations de convolution récurrente (déroulement de l'étape $t=2$). Cette conception vise à améliorer la modélisation de la dépendance spatiale et la propagation des caractéristiques, particulièrement pour les lésions complexes et petites.
3. ASPP (Atrous Spatial Pyramid Pooling) : Situé dans le pont entre l'encodeur et le décodeur, l'ASPP utilise des convolutions dilatées parallèles avec des taux de dilatation variables (1, 6, 12, 18) pour élargir le champ récepteur. Cela permet au modèle de capturer des informations contextuelles multi-échelles, s'adaptant ainsi aux lésions de tailles variées.
4. Mécanisme d'Attention Duale : Un module d'attention de position et de canal parallèle est appliqué aux connexions de saut (skip connections). Ce mécanisme met en évidence les activations liées aux lésions tout en supprimant les réponses de fond superflues, répondant ainsi à la forte prévalence des coupes négatives (non-infarctus).

Fonction de Perte et Stratégie d'Entraînement
Pour répondre à l'impératif clinique de minimiser les lésions manquées, le modèle est optimisé à l'aide de la fonction de perte Tversky avec des paramètres $\alpha = 0,4$ et $\beta = 0,6$. Cette configuration pénalise explicitement les faux négatifs plus lourdement que les faux positifs, déplaçant l'objectif d'optimisation vers un rappel (sensibilité) plus élevé. Le modèle a été entraîné sur un jeu de données de 167 patients (4 895 coupes) avec une division stratifiée par patient (70 % entraînement, 15 % validation, 15 % test) pour éviter toute fuite de données.

Contributions Clés
L'article identifie quatre contributions principales :

1. Curation du Jeu de Données : Création d'un jeu de données monocentrique cliniquement réaliste de 167 patients avec 4 895 coupes DWI annotées, préservant le déséquilibre naturel des classes (taux de positivité de 14,7 %).
2. Architecture Novatrice : Introduction de l'EPRA U-Net, un modèle hybride fondé sur l'encodage EfficientNet, la modélisation spatiale R2, le contexte multi-échelle ASPP et les mécanismes d'attention duale.
3. Optimisation Cliniquement Motivée : Application d'une configuration spécifique de la perte Tversky ($\beta > \alpha$) pour aligner l'objectif d'entraînement avec la nécessité clinique de réduire les faux négatifs.
4. Validation Rigoureuse : Mise en œuvre d'un cadre statistique complet incluant des tests non paramétriques (Wilcoxon signed-rank), paramétriques (t-test apparié), de niveau pixel (test de McNemar) et des analyses basées sur le rééchantillonnage (intervalles de confiance bootstrap), ainsi que l'estimation de la taille de l'effet.

Résultats Expérimentaux
L'EPRA U-Net a été évalué par rapport à des bases de référence de pointe : UNet++, DeepLabV3+, TransUNet et nnU-Net (2D).

• Métriques de Performance : L'EPRA U-Net a atteint un score Dice agrégé par pixel de 0,8984, un Dice par échantillon de 0,9469, un IoU de 0,8155 et un Rappel de 0,8887. Il a obtenu le score F1 de lésion le plus élevé (0,9378) et le plus bas HD95 médian (2,00 px, moyenne de 11,62 px) parmi les architectures personnalisées.
• Détection de Lésions : Le modèle a démontré une réduction significative des lésions manquées par rapport aux bases de référence : 29 % de moins que TransUNet, 25 % de moins que DeepLabV3+ et 16 % de moins que UNet++.
• Comparaison avec nnU-Net : Bien que nnU-Net ait obtenu un score Dice comparable (0,8997) et un HD95 moyen légèrement inférieur (7,98 px contre 11,62 px), l'EPRA U-Net a obtenu un rappel plus élevé (0,8887 contre 0,8798) et nettement moins de détections de fausses lésions (32 contre 69).
• Efficacité : L'EPRA U-Net est nettement plus efficace que le nnU-Net, nécessitant environ 131,7 minutes d'entraînement par fold contre 848 minutes pour le nnU-Net, et offrant un temps d'inférence plus rapide (33,97 ms/coupe contre 598,5 ms/coupe).
• Signification Statistique : Les tests statistiques appariés (Wilcoxon et t-test) ont confirmé que les améliorations de performance de l'EPRA U-Net par rapport aux bases de référence étaient statistiquement significatives ($p < 0,05$), malgré de faibles tailles d'effet de Cohen attribuées à la haute performance de base de tous les modèles (effet de plafond).

Signification et Revendications
L'article affirme que l'EP-RA U-Net fournit une base plus robuste et précise pour la segmentation des infarctus en pratique clinique. La portée du travail réside dans :

• Alignement Clinique : En privilégiant le rappel via la perte Tversky, le modèle réduit le risque de sous-segmentation, ce qui est crucial pour déterminer l'éligibilité au traitement lors d'un AVC aigu.
• Performance Équilibrée : L'architecture atteint une haute précision sans la surcharge de calcul des grands modèles Transformer ou des réseaux 3D, ce qui la rend adaptée à un déploiement sur du matériel clinique standard.
• Validation Complète : L'étude va au-delà du simple rapport de métriques en employant un schéma de validation statistique multicouche pour garantir la fiabilité des améliorations observées.
• Aperçus d'Ablation : L'étude d'ablation confirme que chaque composant (ASPP pour la délimitation des contours, R2 pour la continuité spatiale, l'Attention Duale pour la suppression du fond, et la perte Tversky pour la sensibilité) contribue de manière distinctive à la résolution des défis spécifiques de la segmentation d'infarctus en DWI.

Les auteurs concluent que bien que le jeu de données soit monocentrique et que le modèle utilise des entrées 2.5D, le cadre proposé traite efficacement les compromis entre précision, coût de calcul et pertinence clinique dans l'imagerie de l'AVC.