Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation

Riepilogo Tecnico: Ricerca Evolutiva di Architetture Neurali Consapevole delle Risorse per la Segmentazione della Risonanza Magnetica Cardiaca

Enunciato del Problema
La segmentazione della risonanza magnetica cardiaca (CMR) è fondamentale per la valutazione quantitativa della struttura e della funzione ventricolare, specificamente per la delimitazione del ventricolo sinistro (LV), del ventricolo destro (RV) e del miocardio (MYO). Tuttavia, il raggiungimento di una delimitazione affidabile è ostacolato da un basso contrasto tissutale, confini sfocati (in particolare intorno ai muscoli papillari e ai punti di inserzione), variabilità inter-paziente e spostamenti di dominio tra diversi scanner e protocolli. Sebbene l'apprendimento profondo, in particolare le architetture encoder-decoder come U-Net, sia diventato il paradigma dominante, i praticanti affrontano compromessi significativi tra la qualità dei confini (misurata dal Coefficiente di Similarità di Dice [DSC] e dalla distanza di Hausdorff al 95° percentile [HD95]) e l'efficienza computazionale (parametri e FLOPs). I metodi esistenti di Ricerca di Architetture Neurali (NAS) richiedono spesso un notevole sforzo ingegneristico per bilanciare questi obiettivi in competizione o non ottimizzano esplicitamente i vincoli di risorse deployabili in contesti specifici per la cardiologia.

Metodologia: CardiacNAS
Gli autori propongono CardiacNAS, un framework di Ricerca Evolutiva di Architetture Neurali progettato per automatizzare la progettazione di modelli di segmentazione CMR efficienti sotto vincoli di risorse espliciti. Il framework opera attraverso i seguenti componenti:

1. Supernet Consapevole del Cuore e Spazio di Ricerca:
   Il backbone è una supernet di tipo U-Net strutturata in un encoder, un collo di bottiglia e un decoder con connessioni di salto. A differenza del NAS standard, lo spazio di ricerca è esplicitamente adattato per l'imaging cardiaco, parametrizzato da un genotipo $\gamma$ che controlla:

   • Iperparametri Strutturali: Dimensioni dei filtri ($fl$), dimensioni dei kernel ($kn$) e numero di livelli ($ns$).
   • Moduli Avanzati: Meccanismi di attenzione (squeeze-excitation, self-attention), strategie di fusione/aggregazione (add, concat, somma pesata) e funzioni di attivazione (ReLU, ELU, Tanh, Sigmoid).
   • Regolarizzazione e Scalatura: Tassi di dropout ($dp$) e un fattore di scalatura residua continuo ($\alpha$) applicato alle connessioni di salto.
   • Input: Fette di risonanza magnetica cardiaca normalizzate a dimensione fissa ($128 \times 128$).

2. Processo di Ricerca Evolutiva:
   Il framework impiega un algoritmo evolutivo (Algoritmo 1) per ottimizzare le architetture:

   • Inizializzazione: Una popolazione di architetture candidate viene campionata dallo spazio di ricerca.
   • Variazione: Le candidate subiscono crossover (scambio uniforme di geni, blending per $\alpha$ continuo) e mutazione (ricampionamento di variabili discrete o jittering di quelle continue).
   • Addestramento Proxy e Valutazione: Ogni candidato viene istanziato e addestrato con un budget limitato (addestramento proxy) sul set di addestramento. La fitness viene valutata su un set di validazione basandosi su una funzione multi-obiettivo che bilancia DSC e HD95 contro la complessità del modello (Parametri e FLOPs).
   • Selezione: Una strategia di sostituzione elitista seleziona i migliori esecutori per formare la generazione successiva, mantenendo un archivio di soluzioni non dominate.

3. Consapevolezza delle Risorse:
   La ricerca ottimizza esplicitamente il compromesso tra fedeltà della segmentazione e costo computazionale, garantendo che l'architettura finale sia deployabile entro budget di calcolo fissi. Il costo totale della ricerca (inclusa la valutazione di tutti i candidati) è incluso nell'analisi dell'efficienza.

Contributi Chiave
Il documento delinea tre contributi principali:

• Supernet Consapevole del Cuore: Uno spazio di ricerca specializzato che integra contesto multi-scala, attenzione e strategie di fusione di salto flessibili, progettato specificamente per colpire confini LV/MYO/RV nitidi sotto budget di complessità stretti.
• NAS Evolutivo Consapevole delle Risorse: Una procedura che scambia esplicitamente la qualità della segmentazione (DSC/HD95) contro la complessità del modello (Parametri/FLOPs) utilizzando addestramento proxy e selezione evolutiva, eliminando la necessità di un bilanciamento manuale del design.
• Valutazione Completa: Un'analisi dettagliata che include confronti qualitativi, analisi delle curve di apprendimento e studi di correlazione dei fattori di design. Queste analisi chiariscono come scelte architetturali specifiche (ad esempio, self-attention, fusione a somma pesata, scalatura residua) influenzino la fedeltà e la stabilità dei confini.

Risultati Sperimentali
Il framework è stato valutato sul dataset ACDC (150 casi di pazienti) e confrontato con sei metodi all'avanguardia (U-Net, nnU-Net, TransUNet, BiX-NAS, HCT-Net, M-ENAS).

• Prestazioni: CardiacNAS ha raggiunto un DSC medio del 93,22% e un HD95 di 4,73 mm. Ciò rappresenta un miglioramento del 2,63% nel DSC rispetto al metodo evolutivo successivo migliore (M-ENAS) e una riduzione del 19,2% nell'HD95.
• Efficienza: Il modello risultante è altamente compatto, richiedendo solo 3,58M di parametri e 14,56 GFLOPs.
• Costo della Ricerca: L'intero processo NAS (20 generazioni, 200 candidati) ha richiesto solo 0,18 giorni GPU, significativamente inferiore rispetto ai baselines manuali e ad altri approcci evolutivi.
• Significatività Statistica: I test t hanno confermato che CardiacNAS ha ottenuto il punteggio statistico più alto ($p=0,029$) rispetto ai baselines.
• Insight sul Design: L'analisi di correlazione ha rivelato che i moduli di self-attention, la fusione a somma pesata e le funzioni di attivazione sigmoidali sono correlati positivamente con un DSC più alto e un HD95 più basso. La configurazione ottimale includeva una dimensione del filtro di 96, dimensione del kernel di 3, 3 livelli, 0,3 di dropout e un fattore di scalatura residua di 0,4.
• Analisi Qualitativa: I confronti visivi hanno mostrato che CardiacNAS produceva confini endocardici ed epicardici più nitidi e riduceva la fuoriuscita dei confini RV rispetto ai concorrenti, che spesso presentavano sotto/sovra-segmentazione vicino al setto o erosione della cavità.

Significato e Affermazioni
Il documento afferma che CardiacNAS offre un approccio principiato e consapevole delle risorse per la segmentazione CMR deployabile. Accoppiando una supernet di tipo U-Net con uno spazio di ricerca specifico per il cuore e un'ottimizzazione evolutiva, il framework automatizza con successo la progettazione di modelli che raggiungono alta accuratezza senza sacrificare l'efficienza computazionale. Gli autori sottolineano la trasparenza del loro approccio, fornendo una chiara segnalazione della complessità architetturale e dei budget di calcolo. Il lavoro dimostra che i meccanismi di attenzione cercati, le strategie di fusione e la scalatura residua sono fattori critici nel migliorare la fedeltà e la stabilità dei confini entro budget di calcolo compatti.

Il documento conclude con modestia, notando che il lavoro futuro si concentrerà sull'estensione del framework a rappresentazioni 2.5D/3D per incorporare il contesto spaziale attraverso il piano, sulla valutazione su coorti multi-centro più ampie, sul raffinamento delle strategie di addestramento proxy e sull'integrazione di obiettivi consapevoli dell'hardware come latenza e vincoli energetici.