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

Technische Samenvatting: Vessel-RW

Probleemstelling
Accurate segmentatie van subcutane vaten uit klinische afbeeldingen is cruciaal voor diagnostische en interventionele workflows, zoals het plannen van vasculaire toegang en het monitoren van microcirculatie. Deze taak wordt echter gehinderd door de unieke kenmerken van vasculaire structuren: lage contrasten, tubulaire geometrie, hoge variabiliteit tussen patiënten en frequente beeldvormingsruis. Bovendien wordt de ontwikkeling van deep learning-oplossingen beperkt door het gebrek aan dichte, pixelsgewijze grondwaarheidsannotaties. Het produceren van dergelijke maskers is arbeidsintensief en tijdrovend voor clinici, wat een knelpunt creëert voor het trainen van robuuste modellen. Hoewel deep learning de algemene semantische segmentatie heeft vooruitgebracht, vereist de toepassing op vasculaire beeldvorming het aanpakken van deze specifieke data-beperkingen en structurele complexiteiten.

Methodologie
De auteurs stellen Vessel-RW voor, een zwaktoezichtkader ontworpen om te leren van goedkope, schaarse annotaties (bijvoorbeeld centerline-traces, puntmarkeringen of korte krabbels) in plaats van dichte maskers. De kerninnovatie is een differentieerbare, op een random walk gebaseerde labelpropagatiemodule die schaarse aanwijzingen uitbreidt tot dichte, probabilistische supervisie.

Het kader traint twee componenten gezamenlijk:

1. Een CNN-segmentatiepredictor ($Q_\theta$): Een encoder-decoder-netwerk dat per-pixel labelverdelingen voorspelt op basis van de invoerafbeelding.
2. Een differentieerbare labelpropagatiemodule: Deze module gebruikt een random-walkformulering om schaarse labels over het afbeeldingsrooster te propageren. De propagatie wordt geleid door geleerde afbeeldingsaanwijzingen:
   • Grenscores ($B_{\phi,I}$): Een kaart die waarschijnlijke vaatgrenzen voorspelt om labelstroom over randen te belemmeren.
   • Vaatheid/Oriëntatie-priors ($V_{\psi,I}$): Een kaart die tubulaire structuren aangeeft om labelstroom langs vaatcontinuïteit te stimuleren.

De transitieweegfactoren van de random walk worden geparametriseerd door deze geleerde aanwijzingen, waardoor het systeem vaatranden en continuïteitsbeperkingen impliciet leert zonder expliciete rand-supervisie. De propagatie levert per-pixel trekkingskansen en gekalibreerde onzekerheidsschattingen op.

Belangrijke technische componenten:

• Gezamenlijke end-to-end training: In tegenstelling tot eerdere methoden die afwisselen tussen vaste propagatie en CNN-training, optimaliseert Vessel-RW de propagator en de predictor gelijktijdig. Gradiënten stromen door de propagatiestap via impliciete differentiatie van het schaarse lineaire systeem dat wordt gebruikt om trekkingskansen op te lossen.
• Onzekerheidsgewogen verlies: Het systeem gebruikt de entropie van de gepropageerde verdeling om het trainingsverlies te wegen. Pixels met hoge onzekerheid (ambiguïteitsgebieden) worden afgezwakt om te voorkomen dat het model overfit op potentieel onjuiste pseudo-labels.
• Topologie-bewuste regularisatie: Om klinisch nut te waarborgen, wordt een regularisator geïntroduceerd die verbonden centerlines stimuleert en spuriële takken bestraft. Dit omvat een centerline-consistentieverlies (het afstemmen van vaatwaarschijnlijkheid op geskeletteerde zaden) en een geodetische consistentieterm (het stimuleren van kortpad-verbindingen naar geannoteerde zaden).

Experimentele resultaten
De methode werd geëvalueerd op een divers klinisch corpus van 1.200 subcutane afbeeldingen (inclusief nabij-infrarood en RGB) die verschillende huidtinten, geslachten en anatomische locaties (onderarm, dij, buik) bestrijken.

• Prestaties: Op een volledig gelabelde testset van 100 afbeeldingen bereikte Vessel-RW een gemiddelde Dice-coëfficiënt van 0,78 en een Centerline F1 van 0,83.
• Vergelijkend voordeel: De methode presteerde consequent beter dan naïeve training op schaarse labels en conventionele schema's voor dichte pseudo-labels.
• Ablatiestudies: Het verwijderen van de topologieregularisator verlaagde de Dice met 5 procentpunten; het verwijderen van geleerde vaatheid-priors verlaagde deze met 3 punten; het verwijderen van onzekerheidsweging verlaagde deze met 2 punten.
• Efficiëntie: Schaarse annotatie vereiste gemiddeld 28 seconden per afbeelding tegenover 640 seconden voor dichte maskers, wat een reductie van 95% in annotatietijd vertegenwoordigt.
• Robuustheid: De prestaties bleven consistent over demografische groepen, hoewel ze iets lager waren op afbeeldingen van de buik met lage contrasten en op donkerdere huidtinten, waarbij de onzekerheidskaarten effectief ambiguïteitsgebieden benadrukten.

Betekenis en claims
Het artikel beweert dat Vessel-RW een praktische route biedt naar schaalbare, klinisch bruikbare segmentatie van subcutane vaten die de annotatiebelasting aanzienlijk vermindert terwijl de klinisch relevante vaattopologie behouden blijft. Door het propagatiemechanisme gezamenlijk met het segmentatienetwerk te leren, past het systeem zijn opvatting van labelcontinuïteit aan aan de specifieke vasculaire geometrie van de data, waardoor de beperkingen van vaste, handgemaakte propagatieaannames worden overwonnen. Het kader produceert niet alleen accurate segmentatiekaarten, maar ook gekalibreerde onzekerheidsschattingen, die cruciaal zijn voor downstream besluitvorming in klinische settings. De auteurs positioneren dit werk als een oplossing die de kloof overbrugt tussen de hoge kosten van dichte annotatie en de behoefte aan precieze, topologie-bewuste vasculaire afbakening.