VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation

기술 요약: Vessel-RW

문제 제기
임상 이미지에서 피하 혈관의 정확한 분할은 혈관 접근 계획 및 미세순환 모니터링과 같은 진단 및 중재 워크플로우에 필수적입니다. 그러나 이 작업은 혈관 구조의 고유한 특성인 낮은 대비, 관형 기하학, 환자 간 높은 변이성, 그리고 빈번한 영상 노이즈로 인해 방해받습니다. 또한, 밀집된 픽셀 단위 정답 주석의 부족으로 인해 딥러닝 솔루션 개발이 제한됩니다. 이러한 마스크를 생성하는 것은 임상가에게 노동 집약적이고 시간이 많이 소요되어 견고한 모델을 훈련시키는 데 병목 현상을 초래합니다. 딥러닝이 일반적인 의미 분할을 발전시켰음에도 불구하고, 혈관 영상에 적용하려면 이러한 특정 데이터 제한과 구조적 복잡성을 해결해야 합니다.

방법론
저자들은 밀집된 마스크 대신 비용이 적게 들고 희소한 주석 (예: 중심선 추적, 점 마커 또는 짧은 스크래블) 에서 학습하도록 설계된 약지도 프레임워크인 Vessel-RW를 제안합니다. 핵심 혁신은 희소한 단서를 밀집된 확률적 감독으로 확장하는 미분 가능한 랜덤 워크 기반 라벨 전파 모듈입니다.

이 프레임워크는 두 가지 구성 요소를 공동으로 훈련합니다:

1. CNN 분할 예측기 ($Q_\theta$): 입력 이미지에서 픽셀 단위 라벨 분포를 예측하는 인코더 - 디코더 네트워크.
2. 미분 가능한 라벨 전파 모듈: 이 모듈은 희소한 라벨을 이미지 그리드 전체에 전파하기 위해 랜덤 워크 공식을 사용합니다. 전파는 학습된 이미지 단서에 의해 안내됩니다:
   • 경계 점수 ($B_{\phi,I}$): 가장자리 간 라벨 흐름을 방해하기 위해 혈관 경계를 예측하는 지도.
   • 혈관성/방향성 사전 지식 ($V_{\psi,I}$): 혈관 연속성을 따라 라벨 흐름을 장려하기 위해 관형 구조를 나타내는 지도.

랜덤 워크의 전이 가중치는 이러한 학습된 단서로 매개변수화되어, 명시적인 가장자리 감독 없이도 혈관 경계와 연속성 제약을 암묵적으로 학습할 수 있게 합니다. 전파는 픽셀 단위 도달 확률과 보정된 불확실성 추정을 산출합니다.

주요 기술 구성 요소:

• 공동 엔드 - 투 - 엔드 훈련: 고정된 전파와 CNN 훈련을 번갈아 수행하는 기존 방법과 달리, Vessel-RW 는 전파기와 예측기를 동시에 최적화합니다. 그라디언트는 도달 확률을 해결하는 데 사용되는 희소 선형 시스템의 암묵적 미분을 통해 전파 단계를 통과합니다.
• 불확실성 가중 손실: 시스템은 전파된 분포의 엔트로피를 활용하여 훈련 손실에 가중치를 부여합니다. 불확실성이 높은 픽셀 (모호한 영역) 은 잠재적으로 잘못된 의사 라벨에 대한 모델의 과적합을 방지하기 위해 하향 가중됩니다.
• 위상 인식 정규화: 임상적 유용성을 보장하기 위해 연결된 중심선을 장려하고 부수적인 가지를 처벌하는 정규화자가 도입됩니다. 여기에는 중심선 일관성 손실 (혈관 확률을 골격화된 시드와 정렬) 과 측지선 일관성 항 (주석된 시드로의 단거리 연결 장려) 이 포함됩니다.

실험 결과
이 방법은 다양한 피부색, 성별, 해부학적 부위 (전완, 허벅지, 복부) 를 포함하는 1,200 개의 피하 이미지 (근적외선 및 RGB 포함) 로 구성된 다양한 임상 코퍼스에서 평가되었습니다.

• 성능: 100 개의 이미지로 구성된 완전히 라벨이 지정된 테스트 세트에서 Vessel-RW 는 평균 Dice 계수 0.78과 중심선 F1 0.83을 달성했습니다.
• 비교 우위: 이 방법은 희소한 라벨에 대한 단순한 훈련과 기존 밀집 의사 라벨링 방식보다 일관되게 우수한 성능을 보였습니다.
• 결손 연구: 위상 정규화기를 제거하면 Dice 가 5 퍼센트 포인트 감소했고, 학습된 혈관성 사전 지식을 제거하면 3 포인트 감소했으며, 불확실성 가중치를 제거하면 2 포인트 감소했습니다.
• 효율성: 희소 주석은 이미지당 평균 28 초가 소요된 반면, 밀집 마스크는 640 초가 소요되어 주석 시간이 95% 감소했습니다.
• 견고성: 성능은 인구 통계학적 그룹 간에 일관되게 유지되었으나, 낮은 대비의 복부 이미지와 어두운 피부색에서는 약간 낮았으며, 이때 불확실성 지도가 모호한 영역을 효과적으로 강조했습니다.

의의 및 주장
이 논문은 Vessel-RW 가 임상적으로 유용한 피하 혈관 분할을 위한 확장 가능한 실용적인 경로를 제공하며, 임상적으로 관련 있는 혈관 위상을 유지하면서 주석 부담을 크게 줄인다고 주장합니다. 분할 네트워크와 전파 메커니즘을 공동으로 학습함으로써, 시스템은 데이터의 특정 혈관 기하학에 맞게 라벨 연속성에 대한 개념을 적응시켜 고정되고 수동으로 설계된 전파 가정의 한계를 극복합니다. 이 프레임워크는 정확한 분할 지도뿐만 아니라 임상 환경의 하류 의사 결정에 중요한 보정된 불확실성 추정치도 생성합니다. 저자들은 이 작업을 밀집 주석의 높은 비용과 정밀하고 위상 인식적인 혈관 윤곽선 정의 필요성 사이의 간극을 메우는 솔루션으로 위치시킵니다.