MorVess: Morphology-Aware Pulmonary Vessel Segmentation Network

Riepilogo Tecnico: MorVess – Rete di Segmentazione dei Vasi Polmonari Consapevole della Morfologia

Problematica
La segmentazione accurata dei vasi polmonari rimane una sfida significativa nell'analisi delle immagini mediche a causa della natura sparsa, tortuosa e multi-scala delle strutture vascolari. Gli approcci di deep learning esistenti ottimizzano principalmente le maschere binarie utilizzando la supervisione voxel-wise, il che spesso fallisce nel preservare la morfologia tubolare continua e la connettività fine delle piccole ramificazioni. I metodi tradizionali e i modelli standard di deep learning faticano con le discontinuità topologiche, l'ambiguità dei bordi e le incoerenze del diametro, particolarmente nelle regioni microvascolari distali dove i vasi sono sottili e a basso contrasto. Inoltre, sebbene i modelli di fondazione come il Segment Anything Model (SAM) mostrino potenziale, la loro applicazione diretta ai dati volumetrici 3D è ostacolata dalla mancanza di contesto spaziale 3D (quando elaborati slice per slice) e dall'assenza di vincoli geometrici espliciti necessari per le strutture tubolari.

Metodologia
Gli autori propongono MorVess, un framework di segmentazione consapevole della morfologia che integra prior geometrici differenziabili con l'adattamento di modelli di fondazione su larga scala. L'architettura è composta da tre componenti principali:

1. Generazione del Prior Geometrico: Per affrontare l'ambiguità del bordo e la discontinuità del diametro, il metodo genera due segnali di supervisione continui e differenziabili dalle maschere di ground-truth:

   • Vessel Distance Map (VDM): Trasforma i bordi della maschera binaria in campi di potenziale di gradiente fluidi utilizzando l'erosione morfologica e il decadimento della distanza esponenziale. Questo fornisce una localizzazione sub-pixel e affila i gradienti dei bordi.
   • Vessel Thickness Map (VTM): Derivata dallo scheletro del centro vascolare, questa mappa assegna valori di spessore ai voxel in base al raggio della sfera massima inscritta. Essa impone una coerenza globale nel diametro del vaso e previene oscillazioni non fisiche nelle regioni locali.

2. Rete di Adattamento Geometrico 2.5D:

   • Adapter 2.5D: Per colmare il divario tra le rappresentazioni 2D pre-addestrate di SAM e i dati volumetrici 3D, viene introdotto un adapter leggero. Esso elabora i volumi di input come sequenze di slice sovrapposte (ad esempio, una slice target più i vicini adiacenti) e utilizza una struttura convoluzionale 3D per modellare le dipendenze inter-slice senza sbloccare l'encoder pesante del ViT di SAM.
   • Decoder di Predizione Geometrica Multi-head: Estendendo il decoder di SAM, questo modulo include rami paralleli per la regressione congiunta della maschera semantica, della VDM e della VTM.
   • Global-Local Fusion Block (GLFB): Questo blocco aggrega feature a più livelli (contesto semantico globale, texture locali superficiali e astrazioni semantiche profonde) insieme ai prior geometrici auto-predetti (VDM/VTM). Un meccanismo di iper-rete dinamica pesa adattivamente queste feature per raffinare la topologia vascolare finale.

3. Strategia di Addestramento in Due Fasi:

   • Fase I (Adattamento delle Macro-Feature): L'encoder di SAM è congelato e l'adapter 2.5D con le teste del decoder vengono addestrati per apprendere le relazioni inter-slice e mappare i prior geometrici.
   • Fase II (Fine-tuning Topologico): L'adapter è congelato e il modulo di fusione con le teste di predizione vengono sottoposti a fine-tuning con un tasso di apprendimento inferiore per ottimizzare la precisione dei bordi e la coerenza topologica.

L'addestramento utilizza una funzione di perdita composita che combina Cross-Entropy, Dice, centerline Dice (clDice) e perdite L1 per le mappe di distanza e di spessore.

Contributi Chiave

• Segmentazione con Prior Geometrico: Introduzione di un framework di ottimizzazione congiunta per le Vessel Thickness Maps (VTM) e le Vessel Distance Maps (VDM), che rinforza esplicitamente la preservazione della topologia vascolare e delle strutture geometriche coerenti attraverso complessi pattern di ramificazione.
• Framework 2.5D Leggero: Progettazione di un framework di attenzione cross-slice con un blocco di fusione potenziato che integra indizi spaziali multi-livello, rafforzando la coerenza inter-slice e migliorando la continuità dei dettagli fini mantenendo l'efficienza computazionale.
• Adattamento Efficiente delle Risorse: Sviluppo di una strategia di addestramento in due fasi che consente un adattamento stabile di grandi modelli pre-addestrati (SAM) a compiti di segmentazione medica 3D sotto budget computazionali limitati.

Risultati Sperimentali
MorVess è stato valutato su due benchmark impegnativi di TC polmonare: Parse2022 (focalizzato sulle strutture arteriose) e AIIB2023 (caratterizzato da fibrosi polmonare con patologie complesse).

• Metriche di Performance: MorVess ha ottenuto prestazioni superiori in tutte le metriche rispetto ai metodi allo stato dell'arte (inclusi nnU-Net, Swin-UNet e COMMA).
  • Su Parse2022, ha raggiunto un punteggio Dice di 86,84% (rispetto all'83,27% del secondo miglior metodo) e un clDice di 83,22%.
  • Su AIIB2023, ha raggiunto un Dice di 94,31% e un clDice di 89,34%.
  • Sono stati osservati miglioramenti significativi anche in HD95 (accuratezza del bordo), AMR (tasso di omissione), DBR (rapporto di rilevamento delle ramificazioni) e DLR (rapporto di rilevamento della lunghezza).
• Studi di Ablazione: Gli esperimenti hanno confermato che l'inclusione della supervisione sia di VDM che di VTM migliora sinergicamente le prestazioni, riducendo l'HD95 da 6,85 mm a 4,53 mm su Parse2022. Anche l'adapter 2.5D e il GLFB si sono dimostrati critici per la continuità 3D e la ricostruzione dei dettagli fini.
• Generalizzazione su Altri Dataset: Il modello ha dimostrato robustezza quando applicato a dataset out-of-distribution (HiPas e ATM2022) senza fine-tuning, mantenendo alti punteggi di Dice e clDice, indicando che i vincoli geometrici codificano la continuità topologica piuttosto che l'aspetto specifico del dataset.
• Analisi Geometrica: Utilizzando il Vascular Modeling Toolkit (VMTK), MorVess ha mostrato l'errore più basso nel Volume Totale Vascolare (TVV) e la correlazione più alta nella distribuzione del diametro rispetto al ground truth, validando la sua capacità di preservare le caratteristiche fisiologiche dei vasi.
• Efficienza: Il modello richiede solo 1,0M di parametri addestrabili e 42 GMACs per stack di slice, significativamente inferiori rispetto ai metodi concorrenti come nnU-Net (32M parametri, 180 GMACs).

Significato e Rivendicazioni
Il paper sostiene che MorVess offra una via strutturata e scalabile verso un'analisi precisa dei vasi, integrando l'intelligenza geometrica nei modelli di visione pre-addestrati. Passando dalla semplice ottimizzazione di maschere binarie all'inclusione di vincoli geometrici espliciti e differenziabili (distanza e spessore), il framework affronta le limitazioni fondamentali degli attuali modelli nel recuperare una morfologia tubolare continua. Gli autori affermano che questo approccio consente una quantificazione strutturale clinicamente affidabile, particolarmente per il recupero dei piccoli vasi e la connettività globale, elementi critici per la diagnosi delle malattie polmonari e la pianificazione preoperatoria. Il lavoro evidenzia come la combinazione dell'adattabilità dei modelli di fondazione con la supervisione consapevole della morfologia possa superare il compromesso tra alta accuratezza e costo computazionale dell'elaborazione 3D.