ConvNeXt-FD: A Fractal-Based Deep Model for Robust Biomedical Image Segmentation

Technische Samenvatting: ConvNeXt-FD voor Robuuste Biomedische Beeldsegmentatie

Probleemstelling
Biomedische beeldsegmentatie is essentieel voor diagnose en behandelingsplanning, maar staat voor aanzienlijke uitdagingen door inherente beeldvariatie, ruis, intensiteitsinhomogeniteiten en complexe morfologieën. Hoewel diep-leringsarchitecturen, met name U-Net-varianten en opkomende Vision Transformers, het veld hebben vooruitgebracht, blijft het behalen van robuuste precisie op objectgrenzen moeilijk. Traditionele verliesfuncties, zoals Binary Cross-Entropy (BCE) en standaard Dice-verlies, worstelen vaak met kleine objecten, class-ongelijkheid en vage grenzen, wat leidt tot suboptimale vormtrouw in klinische contexten.

Methodologie
Het artikel stelt ConvNeXt-FD voor, een nieuw diep-leringskader dat deze beperkingen adresseert via een hybride architectuur en een gespecialiseerde verliesfunctie.

• Architectuur: Het model adopteert een U-Net-achtige encoder-decoder structuur.

  • Encoder: In plaats van standaard CNN's of Transformers, maakt de encoder gebruik van de ConvNeXt-ruggengraat (specifiek 'tiny', 'base' of 'large' varianten). Dit ontwerp integreert moderne CNN-principes, waaronder diepe convoluties met grote kernels (7×7), inverted bottleneck-structuren die lijken op Transformer MLP-blokken, en Layer Normalization. De encoder extrahert hiërarchische kenmerken en produceert feature maps met progressief kleinere ruimtelijke resoluties.
  • Decoder: De decoder reconstrueert het segmentatiemasker door features progressief te upsamplen en hoog-niveau semantische informatie te integreren met fijnkorrelige ruimtelijke details via skip-verbindingen vanuit de encoder.
  • Auxiliaire Tak: Om de grensgevoelige verliesfunctie te ondersteunen, voorspelt een auxiliaire tak een Fractale Dimensie (FD)-kaart.

• Hybride Verliesfunctie: De kerninnovatie is een hybride verliesfunctie ($L$) die een standaard segmentatieverlies combineert met een grensgevoelige regularisatieterm geïnspireerd door Fractale Geometrie:
  $$L = L_{Dice} + \lambda_{FD} L_{Boundary}$$

  • $L_{Dice}$: Het standaard Dice-verlies zorgt voor pixel-voor-pixel overlapnauwkeurigheid, bijzonder effectief voor onbalans datasets.
  • $L_{Boundary}$: Deze term is afgeleid van een differentieerbare formulering van Fractale Dimensie. Met behulp van een differentieerbare box-counting-methode schat het model de fractale dimensie van het inputbeeld om een ground truth FD-kaart te creëren. Het verlies wordt gedefinieerd als de Mean Squared Error (MSE) tussen de ground truth FD-kaart en de FD-kaart voorspeld door de auxiliaire tak. Deze aanpak beoogt de discrepantie tussen voorspelde en ground truth objectvormen te minimaliseren, waarbij het model expliciet wordt aangemoedigd textuurcomplexiteit te leren en grensirregulariteit te behouden.

Belangrijkste Bijdragen

1. Nieuwe Architectuur: De integratie van de ConvNeXt-ruggengraat in een U-Net-kader voor biomedische segmentatie, waarbij de inductieve bias van moderne CNN's wordt benut voor efficiënte kenmerkextractie.
2. Fractaal-geïnspireerde Regularisatie: De introductie van een grensgevoelige verliesterm gebaseerd op Fractale Dimensie. In tegenstelling tot standaard geometrische verliezen, kwantificeert deze methode textuurcomplexiteit en irregulariteit om de vormtrouw te verbeteren, met name in gebieden met vage of complexe grenzen.
3. Uitgebreide Evaluatie: Een rigoureuze evaluatie over zes diverse publieke biomedische datasets: BUSI (Borst-echografie), DDTI (Schildklier-echografie), FluoCells (Fluorescerende Cellen), IDRiD (Optische Schijf), ISIC2018 (Huidlaesies) en MoNuSeg (Kernen).

Experimentele Resultaten
De auteurs evalueerden ConvNeXt-FD met behulp van metrieken waaronder de Dice-coëfficiënt, Jaccard-index, Nauwkeurigheid, Sensitiviteit, Specificiteit en Valse-positiefratio. Belangrijkste bevindingen zijn:

• Prestaties: Het model behaalde concurrerende en vaak state-of-the-art resultaten over alle zes datasets. Opmerkelijke prestaties omvatten een Dice-score van 96,19% op IDRiD (optische schijf), 89,12% op ISIC2018 (huidlaesies) en 85,10% op FluoCells.
• Transfer Learning: Het initialiseren van de ConvNeXt-encoder met ImageNet vooraf getrainde gewichten bleek cruciaal. Datasets met subtiele grensuitdagingen (bijv. BUSI en DDTI) lieten prestatieverbeteringen van meer dan 16% in Dice-scores zien bij gebruik van vooraf getrainde gewichten in vergelijking met training vanaf nul.
• Hyperparametergevoeligheid: De wegingsfactor $\lambda_{FD}$ voor het fractale verlies bleek taakafhankelijk. Zo profiteerde huidlaesiesegmentatie (ISIC2018) van een hogere weging ($\lambda_{FD}=0,50$), terwijl echografiedatasets beter presteerden met een mildere regularisatie ($\lambda_{FD}=0,01$).
• Vergelijking: ConvNeXt-FD presteerde beter dan of gelijk aan diverse state-of-the-art methoden, waaronder U-Net++, TransUNet, Swin-Unet en gespecialiseerde medische segmentatienetwerken, en demonstreerde robuustheid tegen spikkelsruis en slecht gedefinieerde grenzen.

Betekenis en Claims
Het artikel claimt dat ConvNeXt-FD een sterke, veelzijdige oplossing biedt voor biomedische beeldsegmentatie door effectief een balans te vinden tussen globaal contextueel begrip en lokale grensprecisie. De auteurs stellen dat de integratie van de ConvNeXt-encoder met fractaal-geïnspireerde grensregularisatie succesvol zowel hoog-niveau semantische kenmerken als fijnkorrelige grensdetails vastlegt. Dit leidt tot nauwkeurigere en klinisch relevantere segmentaties, met name in uitdagende contexten waar vormtrouw van het grootste belang is. Het werk benadrukt het potentieel van het combineren van moderne CNN-architecturen met geometrisch geïnspireerde verliesfuncties om de beperkingen van huidige segmentatieparadigma's te overwinnen.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen dat de huidige grensgevoelige verliesfunctie een numerieke schatting van de Fractale Dimensie omvat. Voor toekomstig werk wordt voorgesteld om meer directe, differentieerbare formuleringen van op vorm gebaseerde metrieken (bijv. vanuit optimaal transport of geometrisch diep leren) en adaptieve strategieën voor $\lambda_{FD}$ te onderzoeken. Bovendien stellen de auteurs voor het kader uit te breiden tot multi-modale data-integratie, instance-segmentatie, verbetering van de computerefficiëntie en kwantificering van onzekerheid.