Sparse Representation Learning for Vessels

기술 요약: 혈관 희소 표현 학습을 위한 VAEsselSparse

문제 제기
임상 진단, 위험 계층화, 치료 계획 수립을 위해 밀리미터 미만 해상도에서 인간 혈관계 및 혈관과 유사한 구조물 (예: 기도) 을 분석하는 것은 매우 중요합니다. 그러나 영상 모달리티에서 이러한 네트워크를 추출하면 대규모 3D 분할 지도가 생성됩니다. 이러한 고해상도 볼륨 데이터에 대한 효과적인 표현을 학습하는 것은 상당한 계산적 도전을 안고 있습니다. 기존 방법들은 종종 혈관을 나무 구조만, 스플라인, 또는 메트릭 그래프로 모델링하는 것과 같은 단순화된 가정에 의존하는데, 이는 필수적인 3D 기하학적 세부 사항을 희생하거나 분석을 작은 영역으로 제한합니다. 또한, 표준 패치 기반 표현 학습 전략은 전체 장기 수준의 혈관 네트워크의 전역적 맥락을 포착하지 못합니다. 밀집 합성곱 접근법은 고해상도에서 전체 장기 수준 볼륨을 처리하는 계산 비용에 시달리며, 종종 평균화 효과로 인해 미세한 구조적 연결성을 상실합니다.

방법론: VAEsselSparse
저자들은 대규모 장기 수준의 3D 혈관 네트워크에 대한 컴팩트하고 의미 있는 표현을 희소 분할 마스크에서 직접 학습하도록 설계된 효율적인 인코더 - 디코더 아키텍처인 VAEsselSparse를 제안합니다.

• 희소 형식화: 밀집 3D 이미지와 달리 혈관 분할 지도는 본질적으로 희소합니다 ($\|x\|_{\ell_0} \ll H \cdot W \cdot D$). VAEsselSparse는 입력을 밀집 격자가 아닌 활성 볼록 좌표 $C_x$와 해당 특징 벡터로 구성된 희소 집합으로 표현하여 희소 텐서 $X = (C_x, F_x)$를 형성합니다. 이를 통해 계산이 전체 볼륨 크기가 아닌 활성 볼록 수에 따라 확장되도록 합니다.
• 아키텍처: 이 모델은 희소 합성곱과 희소 어텐션 메커니즘을 활용하는 변분 오토인코더 (VAE) 프레임워크를 사용합니다.
  • 인코더 ($E_\phi$): 잔여 희소 3D CNN 블록 (희소성 보존 합성곱, 그룹 정규화, ReLU) 을 사용하여 국소 기하학을 추출합니다. 공간 해상도는 스트라이드 희소 합성곱을 통해 다운샘플링되어 목표 잠재 해상도에 도달합니다. 공격적인 압축에서 종종 손실되는 전역 연결성을 보존하기 위해, 병목 볼록은 좌표 기반 위치 인코딩을 가진 토큰으로 처리되어 희소 윈도우 자기 어텐션 레이어를 통해 처리됩니다. 이를 통해 계산 비용을 실용적으로 유지하면서 먼 혈관 세그먼트 간 정보 흐름을 가능하게 합니다.
  • 디코더 ($D_\theta$): 인코더를 모방하여 희소 트랜스포머 블록으로 잠재 토큰을 정제한 후, 전치 희소 합성곱과 잔여 블록을 사용하여 표현을 점진적으로 업샘플링합니다. 최종 출력은 시그모이드 활성화 함수를 통한 확률적 재구성입니다.
• 학습 목적: 이 모델은 재구성 항과 KL 정규화 항으로 구성된 표준 VAE 목적 함수로 학습됩니다. 핵심적으로, 재구성 손실은 정답과 재구성 지지체의 활성 볼록 합집합에 대해서만 계산되며, 전체 격자에 대한 밀집 감독을 피합니다.
• 압축: 이 아키텍처는 $8 \times 8 \times 8$의 공간 압축 비율 (채널 깊이에 의존하는 볼륨 압축 비율) 을 달성하여 이전 볼륨 VAE 들보다 훨씬 높은 수준을 보여주면서도 구조적 연결성을 유지합니다.

주요 기여

1. 아키텍처 설계: 단순화된 가정 없이 밀리미터 미만 해상도에서 장기 수준 네트워크를 처리하기 위해 희소 합성곱과 희소 어텐션을 결합한 희소 3D 혈관 구조에 맞춘 인코더 - 디코더 VAEsselSparse 도입.
2. 성능: 밀집 대응물 및 이전 방법들에 비해 우수한 재구성 성능을 입증하며, 위상적 연결성을 보존하면서 높은 공간 압축 ($8 \times 8 \times 8$) 을 달성.
3. 하류 활용성: 학습된 잠재 공간이 혈관 분류 (예: 동맥류/협착 탐지, 윌리스 환의 하위 변이) 와 같은 하류 작업을 효과적으로 지원하고, 현실적인 혈관 합성을 위한 생성 모델링을 위한 임베딩 공간으로 기능함을 검증.

실험 결과
이 방법은 기도, 뇌, 폐 혈관 (등방성 0.5 mm 해상도) 의 통합 데이터셋과 특정 챌린지 데이터셋 (INSTED, TopCoW) 에서 평가되었습니다.

• 재구성: VAEsselSparse는 유사한 파라미터 수를 가진 밀집 VAE 베이스라인과 더 낮은 $4 \times 4 \times 4$ 압축을 사용한 최첨단 MedVAE 를 Dice, clDice, Betti 수 (위상적 오류) 를 포함한 모든 지표에서 능가했습니다. 구체적으로, 동일한 $8 \times 8 \times 8$ 압축에서 밀집 VAE 의 73.48 에 비해 clDice 를 92.11 달성했으며, 복잡한 구조에서 VesselGPT(clDice 1.64) 를 크게 능가했습니다.
• 분류: 보이지 않는 데이터셋 (INSTED 및 TopCoW) 에서 잠재 공간은 강력한 분류 성능을 가능하게 했습니다. VAEsselSparse 특징으로 훈련된 MLP 는 INSTED 에서 87.96% 의 균형 정확도를 달성했습니다 (ResNet 은 85.24%, Dense VAE+PCA+RF 는 34.89%). t-SNE 시각화는 VAEsselSparse 잠재 공간이 건강, 동맥류, 협착 클래스에 대해 명확한 클러스터를 형성하는 반면, 밀집 VAE 는 이러한 클래스를 분리하지 못했음을 확인시켜 주었습니다.
• 생성 모델링: VAEsselSparse 잠재 공간으로 훈련된 디노이징 U-Net 은 밀집 VAE 잠재 공간으로 훈련된 것보다 더 현실적인 혈관 샘플을 생성했습니다. 정량적 지표 (최소 매칭 거리, 커버리지, 1-최근접 이웃 정확도) 는 고차원성 및 제한된 샘플 크기와 관련된 문제를 완화하는 VAEsselSparse 의 희소 저차원 잠재 공간으로 인해 이를 지지했습니다.

의의 및 주장
본 논문은 VAEsselSparse 가 기하학적 단순화에 의존하지 않고 임상 (밀리미터 미만) 해상도에서 전체 장기 수준 혈관 네트워크에 대한 의미 있는 표현 학습을 가능하게 함으로써 기존 방법들의 중요한 격차를 해소한다고 주장합니다. 혈관 구조의 본질적 희소성을 활용함으로써 이 방법은 상당한 계산 효율성과 공간 압축을 달성합니다. 저자들은 이 희소성 보존 접근법이 고해상도 혈관계의 확장 가능하고 임상적으로 유용한 모델링을 위한 실용적인 길을 제공하여, 정확한 재구성과 하류 임상 응용을 위한 현실적인 혈관 구조의 합성을 모두 용이하게 한다고 역설합니다.