Sintesi Tecnica: Investigazione dei Segnali Visivi delle CNN per la Segmentazione Vascolare

Definizione del Problema

La segmentazione dei vasi sanguigni è una procedura critica per la diagnosi di condizioni che spaziano dalla retinopatia diabetica alle malattie neurodegenerative. Tuttavia, le Reti Neurali Convoluzionali (CNN) utilizzate per questo compito sono spesso trattate come "black box", prive di trasparenza riguardo alle specifiche caratteristiche visive che guidano le loro decisioni. Sebbene le CNN raggiungano un'elevata accuratezza, rimane poco chiaro se esse si basino sulla continuità anatomica (forma globale), sull'intensità dei pixel locali o su pattern di texture. Questa mancanza di interpretabilità ostacola l'integrazione clinica, il debugging dei modelli e la capacità di garantire la robustezza contro le variazioni dei dati. Inoltre, la relazione tra il Campo Recettivo Effettivo (ERF) della rete e il contesto spaziale necessario per catturare la complessa geometria ramificata degli alberi vascolari non è sistematicamente compresa in questo dominio.

Metodologia

Gli autori hanno condotto un'indagine sistematica in tre parti utilizzando due distinti domini di imaging: microscopia a fluorescenza (dataset VessMAP) e fotografia del fondo oculare retinico (dataset DRIVE). Lo studio ha impiegato esperimenti mirati per isolare e quantificare l'influenza di texture, forma e campo recettivo.

1. Quantificazione dell'Influenza di Texture e Intensità

Per determinare l'importanza relativa dell'intensità rispetto alla texture, gli autori hanno sviluppato un compito di classificazione basato su patch.

• Estrazione di Patch: Sono state estratte patch di $9 \times 9$ pixel dalle immagini VessMAP. Sono stati testati due scenari: patch contenenti solo pixel vascolari ($f=100\%$) e patch contenenti i bordi dei vasi con diverse frazioni di pixel vascolari ($f=75\%, 50\%$).
• Perturbazioni: Sono state create tre variazioni del dataset per rimuovere specifici segnali:
  • Normalizzazione dell'Intensità ($D_{-i}$): I valori dei pixel sono stati normalizzati con media zero e deviazione standard unitaria, rimuovendo l'intensità assoluta e la varianza.
  • Shuffling dei Pixel ($D_{-t}$): Le posizioni dei pixel all'interno di ogni patch sono state rimescolate casualmente, distruggendo la texture spaziale ma preservando i valori di intensità.
  • Omogeneizzazione ($D_{-i,-t}$): Sono state applicate sia la normalizzazione che lo shuffling.
• Valutazione: Una semplice rete residua è stata addestrata per classificare queste patch come vaso o sfondo.

2. Isolamento dei Segnali di Forma

Per valutare la capacità delle CNN di segmentare i vasi basandosi esclusivamente sulla geometria, gli autori hanno creato due dataset in cui l'aspetto interno dei vasi è stato rimosso:

• Dataset dei Contorni ($D_c$): Le immagini di input contenevano solo i contorni dei vasi (bordi), con le intensità originali dei pixel preservate nelle posizioni dei contorni.
• Dataset delle Linee Centrali ($D_s$): Le immagini di input contenevano solo le linee centrali dei vasi, con le intensità originali preservate in questi punti.
• Valutazione: Architetture U-Net e W-Net sono state addestrate per predire maschere di segmentazione complete da questi input di forma sparsi.

3. Analisi dei Requisiti del Campo Recettivo (RF)

Lo studio ha esaminato la relazione tra l'architettura del modello, la dimensione del campo recettivo e le prestazioni utilizzando due approcci:

• Variazione Architetturale: Sono state addestrate 160 configurazioni U-Net con diverse dimensioni di kernel ($1, 3, 5, 7$), rapporti di dilatazione ($2, 3, 7$) e strategie di downsampling. Il Campo Recettivo Teorico (TRF) e il Campo Recettivo Effettivo (ERF) sono stati misurati per ciascuna.
• Restrizione del Contesto: Il modello base è stato addestrato su patch non sovrapposte di varie dimensioni ($4 \times 4$ a $512 \times 512$) per determinare il contesto minimo richiesto per prestazioni ottimali.

Risultati Chiave

Texture vs. Intensità

• Dominanza dell'Intensità: È stato scoperto che l'intensità dei pixel è più critica della texture locale. Rimuovere le informazioni di intensità ($D_{-i}$) ha causato un calo di accuratezza maggiore rispetto alla rimozione della texture tramite shuffling ($D_{-t}$).
• Robustezza alla Perturbazione: Sorprendentemente, anche quando entrambi i segnali di intensità e texture sono stati rimossi (dataset omogeneizzato $D_{-i,-t}$), le reti hanno mantenuto un'accuratezza di classificazione superiore al 75%, suggerendo che sfruttano altre caratteristiche statistiche non esplicitamente analizzate.
• Ruolo dei Bordi: L'inclusione dei bordi dei vasi nelle patch ha migliorato significativamente l'accuratezza della classificazione, indicando che il contesto locale basato sui bordi è un segnale forte.

Segnali di Forma

• Insufficienza della sola Forma: Le CNN non sono riuscite a ricostruire in modo affidabile la geometria completa dei vasi basandosi solo sui segnali di forma.
  • Utilizzando i contorni ($D_c$), il miglior modello (W-Net) ha ottenuto un punteggio Dice del 54,4%.
  • Utilizzando le linee centrali ($D_s$), il miglior modello (U-Net) ha ottenuto un punteggio Dice del 57,0%.
  • Al contrario, i modelli addestrati sui dati completi hanno raggiunto circa il 90% di Dice.
• Sovrasegmentazione: I modelli che si basano solo su segnali di forma hanno mostrato un'alta sensibilità ma una specificità molto bassa (ad esempio, 12% di specificità per U-Net su $D_c$), portando a una significativa sovrasegmentazione. Ciò indica che le attuali CNN non possono estrapolare il calibro dei vasi dalla geometria dei bordi senza informazioni sull'aspetto interno.

Campo Recettivo e Contesto

• Saturazione dell'ERF: Il Campo Recettivo Effettivo (ERF) utilizzato dalle reti è convergente a circa 20 pixel per i compiti considerati.
• Dimensione del Kernel: Le prestazioni sono aumentate con la dimensione media del kernel, ma si sono stabilizzate intorno a un kernel medio di 3 ($3 \times 3$). Kernel più grandi non hanno prodotto guadagni significativi, suggerendo che l'ERF non si espande per utilizzare l'intero campo teorico quando non è necessario.
• Dimensione della Patch:
  • Per VessMAP (microscopia), le prestazioni si sono saturate a una dimensione di patch di $32 \times 32$, indicando che il contesto locale è sufficiente.
  • Per DRIVE (fundus), le prestazioni non si sono saturate entro l'intervallo testato, suggerendo un modesto beneficio da contesti globali più ampi, probabilmente dovuto alla presenza di punti di riferimento anatomici globali (es. disco ottico).

Significato e Rivendicazioni

L'articolo sostiene di fornire una base quantitativa per l'audit e il perfezionamento dei sistemi di deep learning nell'imaging vascolare. I suoi contributi primari sono:

1. Template Diagnostico: La metodologia offre un approccio strutturato per scomporre le influenze di forma, texture e contesto sulle decisioni del modello.
2. Evidenza Empirica sull'RF: Il ritrovamento che l'ERF satura a ~20 pixel suggerisce che CNN leggere ed efficienti possono essere personalizzate per la delineazione locale dei vasi senza l'overhead computazionale di reti inutilmente profonde o meccanismi di attenzione globale (come i Transformer).
3. Roadmap per l'Interpretabilità: I risultati evidenziano che i modelli si affidano pesantemente all'intensità locale e alla texture piuttosto che alla forma globale estrapolata. Questa intuizione è proposta come base per lo sviluppo di framework di IA Spiegabile (XAI) in grado di attribuire le decisioni a specifici segnali (intensità vs. forma), aiutando i clinici a determinare se un modello sta identificando i vasi in base all'anatomia o se viene tratto in inganno da artefatti locali.

Gli autori rimangono modesti, riconoscendo che queste scoperte sono osservazioni empiriche derivate da dataset specifici (VessMAP, DRIVE) e architetture (varianti U-Net), e potrebbero non rappresentare proprietà universali di tutte le reti neurali attraverso tutte le modalità mediche.