Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation

Technische Samenvatting: Resource-bewuste Evolutionaire Neuronale Architectuur Zoek voor Cardiale MRI Segmentatie

Probleemstelling
Cardiale magnetische resonantie (CMR) segmentatie is cruciaal voor de kwantitatieve beoordeling van ventriculaire structuur en functie, specifiek het afbakenen van de linker ventrikel (LV), rechter ventrikel (RV) en myocardium (MYO). Het bereiken van betrouwbare afbakening wordt echter gehinderd door lage weefselcontrasten, vage grenzen (met name rond papillaire spieren en insertiepunten), inter-patient variabiliteit en domeinverschuivingen tussen verschillende scanners en protocollen. Hoewel deep learning, met name encoder-decoder architecturen zoals U-Net, het dominante paradigma is geworden, staan beoefenaars voor aanzienlijke afwegingen tussen grenskwaliteit (gemeten door de Dice Similarity Coefficient [DSC] en de 95e-percentiel Hausdorff afstand [HD95]) en computationele efficiëntie (parameters en FLOPs). Bestaande Neural Architecture Search (NAS) methoden vereisen vaak aanzienlijke engineeringinspanning om deze concurrerende doelen in evenwicht te brengen, of ze falen om expliciet te optimaliseren voor inzetbare resourcebeperkingen in cardiale specifieke contexten.

Methodologie: CardiacNAS
De auteurs stellen CardiacNAS voor, een evolutionair Neural Architecture Search raamwerk ontworpen om het ontwerp van efficiënte CMR segmentatiemodellen te automatiseren onder expliciete resourcebeperkingen. Het raamwerk werkt via de volgende componenten:

1. Cardiale-bewuste Supernet en Zoekruimte:
   De ruggengraat is een U-Net-achtige supernet gestructureerd in een encoder, bottleneck en decoder met skip-verbindingen. In tegenstelling tot standaard NAS is de zoekruimte expliciet op maat gemaakt voor cardiale beeldvorming, geparametriseerd door een genotype $\gamma$ dat controleert over:

   • Structurele Hyperparameters: Filtergroottes ($fl$), kernelgroottes ($kn$) en aantal lagen ($ns$).
   • Geavanceerde Modules: Aandachtsmechanismen (squeeze-excitation, self-attention), fusie/aggregatiestrategieën (add, concat, gewogen som) en activatiefuncties (ReLU, ELU, Tanh, Sigmoid).
   • Regularisatie en Schaling: Dropout-rates ($dp$) en een continue residu schalingsfactor ($\alpha$) toegepast op skip-verbindingen.
   • Invoer: Grootte-vaste genormaliseerde cardiale MR-slices ($128 \times 128$).

2. Evolutionair Zoekproces:
   Het raamwerk maakt gebruik van een evolutionair algoritme (Algoritme 1) om architecturen te optimaliseren:

   • Initialisatie: Een populatie van kandidaat-architecturen wordt bemonsterd uit de zoekruimte.
   • Variatie: Kandidaten ondergaan crossover (uniforme uitwisseling van genen, mengen voor continue $\alpha$) en mutatie (herbemonsteren van discrete variabelen of jitteren van continue variabelen).
   • Proxy Training & Evaluatie: Elke kandidaat wordt geïnstancierd en getraind met een beperkt budget (proxy training) op de trainingsset. Fitness wordt geëvalueerd op een validatieset op basis van een multi-objectieve functie die DSC en HD95 afweegt tegen modelcomplexiteit (Parameters en FLOPs).
   • Selectie: Een elitistische vervangingsstrategie selecteert de beste presteerders om de volgende generatie te vormen, waarbij een archief van niet-gedomineerde oplossingen wordt onderhouden.

3. Resource-bewustzijn:
   De zoektocht optimaliseert expliciet de afweging tussen segmentatietrouw en computationele kosten, waarbij wordt gegarandeerd dat de uiteindelijke architectuur inzetbaar is binnen vaste rekenbudgetten. De totale zoekkosten (inclusief alle kandidaat-evaluaties) worden meegenomen in de efficiëntieanalyse.

Belangrijkste Bijdragen
Het artikel schetst drie primaire bijdragen:

• Cardiale-bewuste Supernet: Een gespecialiseerde zoekruimte die multi-schaal context, aandacht en flexibele skip-fusiestrategieën integreert, specifiek ontworpen om scherpe LV/MYO/RV grenzen aan te pakken binnen strakke complexiteitsbudgetten.
• Resource-bewuste Evolutionaire NAS: Een procedure die expliciet afweegt tussen segmentatiekwaliteit (DSC/HD95) en modelcomplexiteit (Parameters/FLOPs) met behulp van proxy training en evolutionaire selectie, waardoor de behoefte aan handmatig ontwerpbalans wordt geëlimineerd.
• Uitgebreide Evaluatie: Een gedetailleerde analyse inclusief kwalitatieve vergelijkingen, leercurve-analyses en studies naar correlaties van ontwerpfactoren. Deze analyses verduidelijken hoe specifieke architecturale keuzes (bijv. self-attention, gewogen-som fusie, residu schaling) grenstrouw en stabiliteit beïnvloeden.

Experimentele Resultaten
Het raamwerk werd geëvalueerd op het ACDC dataset (150 patiëntcases) en vergeleken met zes state-of-the-art methoden (U-Net, nnU-Net, TransUNet, BiX-NAS, HCT-Net, M-ENAS).

• Prestaties: CardiacNAS behaalde een gemiddelde DSC van 93,22% en een HD95 van 4,73 mm. Dit vertegenwoordigt een verbetering van 2,63% in DSC ten opzichte van de volgende beste evolutionaire methode (M-ENAS) en een reductie van 19,2% in HD95.
• Efficiëntie: Het resulterende model is zeer compact en vereist slechts 3,58M parameters en 14,56 GFLOPs.
• Zoekkosten: Het volledige NAS-proces (20 generaties, 200 kandidaten) vereiste slechts 0,18 GPU-dagen, aanzienlijk lager dan handmatige baselines en andere evolutionaire benaderingen.
• Statistische Significantie: T-tests bevestigden dat CardiacNAS de hoogste statistische score behaalde ($p=0,029$) in vergelijking met baselines.
• Ontwerpinzichten: Correlatieanalyse onthulde dat self-attention modules, gewogen-som fusie en sigmoid activatiefuncties positief correleerden met een hogere DSC en een lagere HD95. De optimale configuratie omvatte een filtergrootte van 96, een kernelgrootte van 3, 3 lagen, 0,3 dropout en een residu schalingsfactor van 0,4.
• Kwalitatieve Analyse: Visuele vergelijkingen toonden aan dat CardiacNAS scherpere endocardiale en epicardiale grenzen produceerde en RV-grensllekken verminderde in vergelijking met concurrenten, die vaak onder/over-segmentatie vertoonden nabij het septum of erosie van de holte.

Betekenis en Beweringen
Het artikel beweert dat CardiacNAS een geprincipieerde, resource-bewuste aanpak biedt voor inzetbare CMR segmentatie. Door een U-Net-achtige supernet te koppelen aan een cardiale-specifieke zoekruimte en evolutionaire optimalisatie, automatiseert het raamwerk succesvol het ontwerp van modellen die hoge nauwkeurigheid bereiken zonder computationele efficiëntie op te offeren. De auteurs benadrukken de transparantie van hun aanpak, met duidelijke rapportage van architecturale complexiteit en rekenbudgetten. Het werk demonstreert dat gezochte aandachtsmechanismen, fusiestrategieën en residu schaling kritieke factoren zijn voor het verbeteren van grenstrouw en stabiliteit binnen compacte rekenbudgetten.

Het artikel concludeert bescheiden, met de opmerking dat toekomstig werk zich zal richten op het uitbreiden van het raamwerk naar 2.5D/3D representaties om ruimtelijke context door het vlak te incorporeren, evaluatie op grotere multi-centrum cohorten, verfijning van proxy-training strategieën, en integratie van hardware-bewuste doelen zoals latentie en energiebeperkingen.