Technische Samenvatting: SRMA-Mamba voor Pathologische Leversegmentatie

Probleemstelling

Levercirrose vormt een kritieke wereldwijde gezondheidsuitdaging en dient als de eindfase van progressieve leverfibrose. Hoewel Magnetic Resonance Imaging (MRI) een hoeksteen is geworden voor niet-invasieve diagnose vanwege het superieure contrast in zachte weefsels, blijft de nauwkeurige afbakening van pathologische leverstructuren moeilijk. Handmatige segmentatie is arbeidsintensief en lijdt onder aanzienlijke variabiliteit tussen waarnemers.

Bestaande geautomatiseerde methoden, met name die gebaseerd op deep learning, kampen met specifieke beperkingen in dit domein:

1. Onderbenutting van Ruimtelijke Context: Veel benaderingen behandelen volumetrische MRI-data als lineaire sequenties, wat inherent de intrinsieke 3D ruimtelijke topologie verstoort.
2. Anisotrope Morfologieën: Cirrotische structuren vertonen zeer onregelmatige en anisotrope vormen. Het verwerpen van ruimtelijke context ten gunste van linearisering leidt tot suboptimale grensdefinities en gefragmenteerde segmentatieresultaten.
3. Complexe Anatomische Relaties: Huidige methoden slagen er vaak niet in om de complexe ruimtelijke relaties tussen voxels over verschillende anatomische vlakken volledig te vatten, wat de klinische verklaarbaarheid en effectiviteit belemmert.

Methodologie

De auteurs stellen SRMA-Mamba voor (Spatial Reverse Mamba Attention Network), een nieuwe architectuur die ontworpen is om ruimtelijke relaties binnen complexe anatomische structuren van MRI-volumes te modelleren met behulp van State-Space Models (SSM's). Het netwerk volgt een encoder-decoder structuur met drie kerninnovaties:

1. Algehele Architectuur

SRMA-Mamba maakt gebruik van een hiërarchisch encoder-decoder framework. De encoder extraheert kenmerken uit de invoer van cirrotische MRI-volumes, terwijl de decoder de segmentatiekaarten stapsgewijs verfijnt. In tegenstelling tot standaard decoders, integreert deze architectuur een Spatial Reverse Mamba Attention (SRMA) module op meerdere stadia om randdetails stapsgewijs te verfijnen met behulp van kenmerken uit zowel de encoderingsstadia als de grove segmentatiekaarten.

2. Spatial Anatomy-Based Mamba (SABMamba)

Geïnspireerd door de klinische praktijk waarbij radiologen MRI-volumes beoordelen over meerdere vlakken, modelleert de SABMamba-module complexe anatomische relaties door informatie te integreren van drie orthogonale vlakken: sagittaal, coronaal en axiaal.

• Structuur: Het bestaat uit opeenvolgende residuele takken. Eén tak maakt gebruik van een Anatomy-Based Mamba (ABM) blok, terwijl de andere een Multi-Layer Perceptron (MLP) gebruikt.
• Anatomy-Based Selective Scan (ABSS): Een kerncomponent binnen het ABM-blok, de ABSS-module leert ruimtelijke kenmerkrepresentaties voor pathologische leverweefsels. Deze werkt door:
  1. Reshaping: Het herordenen van het invoervolume in drie anatomische vlakken ($f_h, f_w, f_d$).
  2. Scan Expanding: Het ontvouwen van data uit deze vlakken naar sequenties langs vier verschillende richtingen.
  3. Selective Processing: Het selectief verwerken van deze sequenties met behulp van de S6-module (van Mamba), waarbij irrelevante informatie wordt gefilterd terwijl relevante kenmerken behouden blijven.
  4. Scan Merging: Het integreren van de verwerkte sequenties terug in de oorspronkelijke resolutie.
     Deze aanpak maakt directe verwerking van 3D volumetrische data mogelijk met een lage computationele complexiteit, terwijl de 3D ruimtelijke topologie behouden blijft.

3. Spatial Reverse Mamba Attention (SRMA)

De SRMA-module is ontworpen om de detail van grenzen in de segmentatiekaart stapsgewijs te verfijnen.

• Mechanisme: Het neemt de grove segmentatiekaart ($S_{i+1}$) en de feature map van het huidige encoding-niveau ($f_i$) als input.
• Reverse Attention: De grove segmentatiekaart wordt door een Sigmoid-functie en een reverse operatie geleid om attention-gewichten te genereren ($A_i = 1 - \text{Sigmoid}(S_{i+1})$).
• Refinement: Deze gewichten worden toegepast via elementgewijze vermenigvuldiging op de verbeterde feature map. Het resultaat wordt verwerkt door een SABMamba-module en convolutionele lagen om de verfijnde output te genereren. Dit proces verbetert de kenmerkaggregatie en de afbakening van grenzen.

Belangrijkste Bijdragen

Het artikel beschrijft vier primaire bijdragen:

1. SRMA-Mamba Netwerk: Een nieuw netwerk voor efficiënte volumetrische pathologische leversegmentatie dat de beperkingen van lineaire sequentiemodellering in 3D medische beeldvorming aanpakt.
2. SABMamba Module: Een mechanisme dat scans uitvoert over meerdere anatomische perspectieven (sagittaal, coronaal, axiaal) om een globale ruimtelijke contextrepresentatie te construeren.
3. SRMA Module: Een progressief verfijningsmechanisme dat hiërarchische encoding-kenmerken en grove segmentatiekaarten gebruikt om de precisie van grenzen te verbeteren.
4. ABSS Module: Een Anatomy-Based Selective Scan module die directe verwerking van 3D volumetrische data mogelijk maakt met een lage computationele complexiteit, waarbij ruimtelijke anatomische informatie behouden blijft.

Experimentele Resultaten

De auteurs hebben SRMA-Mamba geëvalueerd op de CirرMRI600+ dataset, die 628 abdominale MRI-scans bevat (310 T1-gewogen en 318 T2-gewogen). Het model werd vergeleken met state-of-the-art methoden, waaronder CNN's (SegResNet, UX-Net, MedNeXt), Transformers (SwinUNETR, SwinUNETRv2) en Mamba-gebaseerde modellen (SegMamba).

Kwantitatieve Prestaties

• T1W Dataset: SRMA-Mamba behaalde een 92,95% mDSC en 87,59% mIoU, waarmee het de vorige beste (SegMamba) versloeg met respectievelijk 1,15% en 1,89%. Het demonstreerde ook een superieure grensnauwkeurigheid met een HD95 van 17,52 en ASSD van 3,05.
• T2W Dataset: Het model behaalde een 86,25% mDSC en 78,24% mIoU, eveneens superieur aan SegMamba.
• Computationele Efficiëntie: Ondanks de hoge prestaties demonstreerde SRMA-Mamba een aanzienlijk lagere computationele complexiteit vergeleken met SegMamba, met 17,22M parameters en 149,14 GFLOPs, vergeleken met SegMamba's 64,22M parameters en 2379,03 GFLOPs.

Kwalitatieve en Ablatie Analyse

• Kwalitatieve Resultaten: Visuele vergelijkingen toonden de superieure capaciteit van SRMA-Mamba om zowel grote als kleine pathologische regio's af te bakenen en complexe detailgrenzen te hanteren vergeleken met andere methoden.
• Ablatie Studie: Het verwijderen van SABMamba verminderde de mDSC van 92,95% naar 80,62%, wat de rol ervan bij het modelleren van de ruimtelijke anatomie bevestigt. Het verwijderen van SRMA verminderde de mDSC naar 90,63%, wat de bijdrage aan de verfijning van grenzen valideert.
• Vlakconfiguratie: Experimenten toonden aan dat het gebruik van alle drie de anatomische vlakken (Axiaal, Sagittaal, Coronaal) consistent beter presteerde dan single-plane configuraties, wat de multi-plane representatieleerbenadering valideert.

Betekenis en Claims

Het artikel claimt dat SRMA-Mamba het kritieke gat in bestaande methoden aanpakt door effectief de 3D ruimtelijke topologie van pathologische leverstructuren te modelleren zonder de fragmentatie die wordt veroorzaakt door linearisering. Door de integratie van anatomische vlakinformatie en het gebruik van een reverse attention-mechanisme, bereikt het netwerk state-of-the-art prestaties voor 3D pathologische leversegmentatie. De auteurs stellen dat deze aanpak niet alleen de segmentatienauwkeurigheid verbetert, maar ook de klinische verklaarbaarheid versterkt door de complexe anatomische details beter te behouden die nodig zijn voor prognose en interventiestrategieën. Het werk positioneert de integratie van State-Space Models met anatomische priors als een veelbelovende richting voor volumetrische medische beeldanalyse.