Reliable Brain Tumor Segmentation Based on Spiking Neural Networks with Efficient Training

Technische Samenvatting: Betrouwbare segmentatie van hersentumoren op basis van Spiking Neural Networks met efficiënte training

Probleemstelling
Nauwkeurige en betrouwbare segmentatie van hersentumoren is cruciaal voor klinische diagnose en behandelplanning. Hoewel Deep Neural Networks (DNN's) hoge prestaties hebben behaald bij 3D-segmentatie van hersentumoren, beperken hun aanzienlijke computationele en energetische eisen hun inzetbaarheid in medische Internet of Things (IoT) en Point-of-Care (PoC) systemen, die vaak werken onder strikte vermogensbeperkingen. Bovendien vereist klinische integratie modellen die niet alleen tumoren nauwkeurig afbakenen, maar ook de voorspellende zekerheid (onzekerheid) kwantificeren om veiligheid en interpreteerbaarheid te waarborgen. Bestaande Spiking Neural Network (SNN) benaderingen voor onzekerheidsinschatting vertrouwen vaak op statische inputs die over tijdstappen worden herhaald, een setting die incompatibel is met de sequentiële, slice-gewijze inputs die vereist zijn voor 3D medische beeldsegmentatie. Daarnaast brengt het trainen van SNN's voor dergelijke complexe taken met standaard Backpropagation Through Time (BPTT) prohibitieve computationele en geheugenkosten met zich mee.

Methodologie
De auteurs stellen een framework voor dat gecentreerd is rond Spiking U-Seg-Net, een energie-efficiënte SNN-architectuur aangepast voor 3D hersentumorsegmentatie.

• Netwerkarchitectuur: Het model volgt een U-Net encoder-decoder structuur, maar gebruikt een enkele convolutie per blok om het aantal parameters te verminderen. Het verwerkt 3D MRI-volumes (T1, T2, T1-Gd, FLAIR) door 2D-slices van een specifiek anatomisch vlak te behandelen als sequentiële inputs over tijdstappen. Het netwerk maakt gebruik van Parametric Leaky Integrate-and-Fire (PLIF) neuronen met leerbare membraantijdconstanten en een surrogaatgradiëntfunctie ($\sigma(x) = \frac{1}{\pi} \arctan(\pi x) + \frac{1}{2}$) om gradiëntgebaseerde training mogelijk te maken. De output genereert drie feature maps die overeenkomen met de Enhancing Tumor (ET), Tumor Core (TC) en Whole Tumor (WT).
• Efficiënte Training (FPTT): Om de geheugen- en computationele knelpunten van BPTT aan te pakken, gebruiken de auteurs Forward Propagation Through Time (FPTT). Dit algoritme werkt de netwerkparameters bij elk tijdstap bij met behulp van een instantane risicofunctie die een regularisatieterm bevat gebaseerd op een voortschrijdend gemiddelde van eerdere gewichten. Deze aanpak vermijdt expliciete backtracking door alle eerdere toestanden, wat schaalbare optimalisatie van temporeel dynamische SNN's met verminderde computationele kosten mogelijk maakt.
• Multi-View Ensemble: Om robuustheid en onzekerheidsinschatting te verbeteren, stellen de auteurs een multi-view ensemblestrategie voor. Drie onafhankelijke Spiking U-Seg-Net modellen worden getraind, waarbij elk slices uit een ander anatomisch vlak verwerkt: sagittaal, coronaal en axiaal. Tijdens de inferentie worden de waarschijnlijkheidskaarten van deze drie modellen ruimtelijk uitgelijnd en voxel-gewijs gemiddeld. Deze ensemble-aanpak maakt gebruik van complementaire informatie uit verschillende aanzichten om goed gekalibreerde onzekerheidsschattingen te bieden, waarmee de beperkingen van single-view SNN-modellen worden geadresseerd.
• Verliesfunctie: De training maakt gebruik van een hybride verliesfunctie die Binary Cross-Entropy ($L_{BCE}$) en Dice Loss ($L_{Dice}$) combineert om klassenimbalans aan te pakken en de sensitiviteit voor kleine tumorregio's te verbeteren.

Belangrijkste Bijdragen

1. Energie-efficiënte Architectuur: De introductie van Spiking U-Seg-Net, een SNN-gebaseerde UNet getraind met FPTT, specifiek ontworpen voor hersentumorsegmentatie.
2. Robuuste Onzekerheidsinschatting: Een multi-view ensemblemechanisme dat voorspellingen aggregeert van sagittale, coronale en axiale aanzichten, wat de betrouwbaarheid van het model en de onzekerheidskalibratie aanzienlijk verbetert vergeleken met single-view benaderingen.
3. Uitgebreide Evaluatie: Een rigoureuze beoordeling op de BraTS 2017 en BraTS 2023 datasets die aantoont dat de voorgestelde methode een concurrerende nauwkeurigheid bereikt terwijl de computationele last drastisch wordt verminderd.

Experimentele Resultaten
Het framework werd geëvalueerd op de BraTS 2017 (210 subjecten) en BraTS 2023 (1.251 subjecten) datasets met behulp van 5-voudige cross-validatie.

• Segmentatienauwkeurigheid: De ensemble Spiking U-Seg-Net behaalde concurrerende Dice-ratio's. Op BraTS 2017 benaderde het de prestaties van DNN-baselines (U-Seg-Net en U-Seg-Net+CLSTM). Op BraTS 2023 demonstreerde het een superieure prestatie bij het segmenteren van de Whole Tumor (WT) regio vergeleken met de baselines.
• Onzekerheidskalibratie: De multi-view ensemble verbeterde de onzekerheidsinschatting aanzienlijk. Op BraTS 2017 verminderde de ensemble de Negative Log-Likelihood (NLL) met ongeveer 43,8% vergeleken met het beste single-view model. Op BraTS 2023 was de verbetering 48,3%, wat aangeeft dat de ensemble meer betrouwbare en goed gekalibreerde voorspellende waarschijnlijkheden biedt.
• Computationele Efficiëntie: Het gebruik van sparse SNN-computatie resulteerde in een reductie van 87% in FLOPs (Floating Point Operations) vergeleken met de DNN-baseline bij het verwerken van een enkel monster, wat het potentieel voor implementatie met een laag vermogen benadrukt.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework het potentieel van Spiking Neural Networks aantoont voor betrouwbare, energiezuinige medische IoT en Point-of-Care systemen. Door FPTT te integreren voor efficiënte training en een multi-view ensemble voor robuuste onzekerheidsinschatting, laten de auteurs zien dat SNN's nauwkeurige 3D hersentumorsegmentatie kunnen leveren zonder de hoge energiekosten die gepaard gaan met traditionele DNN's. Dit werk positioneert SNN's als een levensvatbaar fundament voor onzekerheidsbewuste medische beeldvorming, in staat om te opereren onder strikte middelenbeperkingen terwijl klinische betrouwbaarheid behouden blijft.