MorVess: Morphology-Aware Pulmonary Vessel Segmentation Network

Technische Samenvatting: MorVess – Een morfologiebewust netwerk voor de segmentatie van pulmonale vaten

Probleemstelling
Nauwkeurige segmentatie van pulmonale vaten blijft een aanzienlijke uitdaging in de medische beeldanalyse vanwege de ijle, kronkelige en multischalige aard van vasculaire structuren. Bestaande deep learning-benaderingen optimaliseren primair binaire maskers met behulp van voxel-gewijze supervisie, wat vaak faalt in het behoud van de continue tubulaire morfologie en de fijne connectiviteit van kleine vertakkingen. Traditionele methoden en standaard deep learning-modellen worstelen met topologische discontinuïteiten, grenzen ambiguïteit en diameter-inconsistenties, met name in distale microvasculaire regio's waar vaten slanker zijn en een lage contrastwerking hebben. Bovendien tonen foundation models zoals het Segment Anything Model (SAM) weliswaar veelbelovende resultaten, maar hun directe toepassing op 3D-medische data wordt gehinderd door een gebrek aan 3D ruimtelijke context (wanneer ze slice-voor-slice worden verwerkt) en een afwezigheid van expliciete geometrische beperkingen die noodzakelijk zijn voor tubulaire structuren.

Methodologie
De auteurs stellen MorVess voor, een morfologiebewust segmentatieframework dat differentiële geometrische priors integreert met grootschalige adaptatie van foundation models. De architectuur bestaat uit drie kerncomponenten:

1. Generatie van Geometrische Priors: Om grensambigueit en diameter-discontinuïteit aan te pakken, genereert de methode twee continue, differentiële supervisiesignalen uit de grondwaarheid-maskers (ground-truth masks):

   • Vessel Distance Map (VDM): Transformeert de grenzen van binaire maskers naar gladde gradiëntpotentiaallanden via morfologische erosie en exponentiële afstand-decay. Dit zorgt voor sub-pixel lokalisatie en verscherpt de randgradiënten.
   • Vessel Thickness Map (VTM): Afgeleid van de vasculaire centerline skeleton, wijst deze kaart diktewaarden toe aan voxels op basis van de straal van de maximaal ingesloten sfeer. Dit dwingt globale consistentie af in de vaardiameter en voorkomt niet-fysische oscillaties in lokale regio's.

2. 2.5D Geometrische Adaptatie Netwerk:

   • 2.5D Adapter: Om de kloof tussen 2D vooraf getrainde SAM-representaties en 3D volumetrische data te overbruggen, is een lichtgewicht adapter geïntroduceerd. Deze verwerkt inputvolumes als sequenties van overlappende slices (bijv. een doel-slice plus aangrenzende buren) en gebruikt een 3D convolutionele structuur om inter-slice afhankelijkheden te modelleren zonder de zware SAM ViT-encoder te ontgrendelen.
   • Multi-head Geometrische Predictie Decoder: De SAM-decoder wordt uitgebreid met dit module, dat parallelle takken bevat om gezamenlijk de semantische mask, VDM en VTM te regresseren.
   • Global-Local Fusion Block (GLFB): Dit blok aggregeert multi-level kenmerken (globale semantische context, ondiepe lokale texturen en diepe semantische abstracties) samen met de zelf-geprediceerde geometrische priors (VDM/VTM). Een dynamisch hypernetwerkmechanisme weegt deze kenmerken adaptief om de uiteindelijke vasculaire topologie te verfijnen.

3. Twee-fasen Trainingsstrategie:

   • Fase I (Macro-Feature Adaptatie): De SAM-encoder wordt bevroren terwijl de 2.5D adapter en de decoder-heads worden getraind om inter-slice relaties te leren en geometrische priors in kaart te brengen.
   • Fase II (Topologische Fine-tuning): De adapter wordt bevroren en de fusie-module en predictie-heads worden gefinetuned met een lagere leerfrequentie om de precisie van de grenzen en de topologische consistentie te optimaliseren.

De training maakt gebruik van een samengestelde verliesfunctie die Cross-Entropy, Dice, centerline Dice (clDice) en L1-verliezen combineert voor de afstand- en diktemaps.

Belangrijkste Bijdragen

• Geometrie-Prior Segmentatie: Introductie van een gezamenlijk optimalisatieframework voor Vessel Thickness Maps (VTM) en Vessel Distance Maps (VDM), dat expliciet de bewaring van vasculaire topologie en coherente geometrische structuren over complexe vertakkingspatronen versterkt.
• Lichtgewicht 2.5D Framework: Ontwerp van een cross-slice aandachtskader met een verbeterde fusie-block die multi-level ruimtelijke cues integreert, wat de inter-slice coherentie versterkt en de continuïteit van fijnmazige vaten en de reconstructie van details verbetert, terwijl de computationele efficiëntie behouden blijft.
• Efficiënte Resource-adaptatie: Ontwikkeling van een twee-fasen trainingsstrategie die een stabiele adaptatie van grote vooraf getrainde modellen (SAM) naar 3D medische segmentatietaken mogelijk maakt onder beperkte computationele budgetten.

Experimentele Resultaten
MorVess werd geëvalueerd op twee uitdagende pulmonale CT-benchmarks: Parse2022 (gericht op arteriële structuren) en AIIB2023 (met complexe pathologieën door longfibrose).

• Prestatie-metrieken: MorVess behaalde superieure prestaties over alle metrieken vergeleken met de huidige state-of-the-art methoden (waaronder nnU-Net, Swin-UNet en COMMA).
  • Op Parse2022 behaalde het een Dice-score van 86,84% (tegenover 83,27% voor de op één na beste methode) en een clDice van 83,22%.
  • Op AIIB2023 bereikte het een Dice van 94,31% en een clDice van 89,34%.
  • Er werden ook significante verbeteringen waargenomen in HD95 (grensnauwkeurigheid), AMR (missingspercentage), DBR (vertakkingsdetectieratio) en DLR (lengtedetectieratio).
• Ablatie-studies: Experimenten bevestigden dat de inclusie van zowel VDM als VTM supervisie synergetisch de prestaties verbeterde, waarbij de HD95 op Parse2022 werd verminderd van 6,85 mm naar 4,53 mm. De 2.5D adapter en GLFB bleken eveneens cruciaal voor 3D-continuïteit en de reconstructie van fijne details.
• Cross-Dataset Generalisatie: Het model toonde robuustheid bij toepassing op out-of-distribution datasets (HiPas en ATM2022) zonder fine-tuning, waarbij hoge Dice- en clDice-scores werden behouden, wat aangeeft dat de geometrische beperkingen topologische continuïteit coderen in plaats van dataset-specifieke verschijningsvormen.
• Geometrische Analyse: Met behulp van de Vascular Modeling Toolkit (VMTK) vertoonde MorVess de laagste fout in Total Vessel Volume (TVV) en de hoogste correlatie in diameterverdeling vergeleken met de grondwaarheid, wat het vermogen valideert om fysiologische vasculaire kenmerken te behouden.
• Efficiëntie: Het model vereist slechts 1,0M traineerbare parameters en 42 GMACs per slice stack, wat aanzienlijk lager is dan concurrerende methoden zoals nnU-Net (32M parameters, 180 GMACs).

Betekenis en Claims
Het artikel beweert dat MorVess een principiële en schaalbare weg biedt naar precieze vasculaire analyse door geometrische intelligentie in vooraf getrainde computervisie-modellen in te bedden. Door verder te gaan dan eenvoudige binaire maskoptimale en expliciete, differentiële geometrische beperkingen (afstand en dikte) op te nemen, adresseert het framework de fundamentele beperkingen van huidige modellen bij het herstellen van continue tubulaire morfologie. De auteurs stellen dat deze aanpak klinisch betrouwbare structurele kwantificatie mogelijk maakt, met name voor de detectie van kleine vaten en globale connectiviteit, wat cruciaal is voor de diagnose van pulmonale ziekten en preoperatieve planning. Het werk benadrukt dat het combineren van de adaptiviteit van foundation models met morfologiebewuste supervisie de trade-off tussen hoge nauwkeurigheid en de computationele kosten van 3D-verwerking kan overwinnen.