Evaluation of Blood Vessel Segmentation Methods on Hard-to-Detect Vascular Structures

Resumo Técnico: Avaliação de Métodos de Segmentação de Vasos Sanguíneos em Estruturas Vasculares de Difícil Detecção

Definição do Problema
A segmentação de vasos sanguíneos é crítica para o diagnóstico clínico e para a pesquisa vascular, contudo, erros menores na segmentação podem alterar significativamente os padrões de conectividade e as medições morfológicas. Métricas de avaliação padrão, como o coeficiente Dice, precisão e recall, agregam o desempenho em toda uma imagem. Consequentemente, essas métricas globais frequentemente negligenciam imprecisões em regiões específicas, particularmente onde os vasos exibem baixo contraste contra o fundo. Em tais áreas de "difícil detecção", pequenas descontinuidades podem alterar fundamentalmente a topologia da rede vascular, mas seu impacto é diluído em pontuações padrão porque vasos de alto contraste dominam o cálculo. As métricas existentes falham em isolar o desempenho algorítmico nessas estruturas de baixa saliência, mascarando falhas sistemáticas na preservação da conectividade vascular.

Metodologia
Para abordar essas limitações, os autores propõem um framework centrado no índice de Saliência Vascular Local (LVS - Local Vessel Salience) e em uma métrica de desempenho derivada, o recall médio de Baixa Saliência (mLSR - mean Low-Salience Recall).

1. Índice de Saliência Vascular Local (LVS):

   • O índice LVS quantifica a dificuldade de identificar um segmento vascular específico comparando a intensidade local do vaso contra o fundo imediato.
   • O cálculo utiliza uma máscara de anotação manual de verdade fundamental (ground-truth), que é primeiro convertida em uma representação de grafo (nós em bifurcações/terminações, arestas como segmentos de vasos) usando o framework Pyvane.
   • Para cada pixel no Eixo Medial Segmentado (MAS), o método identifica os dois pontos de contorno mais próximos em lados opostos do vaso para definir uma seção transversal.
   • O método amostra pixels do vaso ($S_v$) ao longo da seção transversal e pixels do fundo ($S_b$) dentro de um raio definido ($r_b$) a partir dos pontos de contorno.
   • A saliência é calculada como a diferença de intensidade relativa ($\Delta I$) entre o vetor de intensidade média do vaso ($I_v$) e o vetor de intensidade do fundo ($I_b$).
   • Esses valores são suavizados ao longo do MAS e propagados para todos os pixels adjacentes do vaso para criar um mapa LVS contínuo.

2. Recall Médio de Baixa Saliência (mLSR):

   • Usando o mapa LVS, os autores definem um limiar $t$ para isolar pixels vasculares "desafiadores" (aqueles com LVS $\le t$).
   • Um recall específico, LSRecall, é calculado para esses pixels de baixa saliência.
   • Para gerar uma pontuação única e independente de limiar, o mLSR é computado como a média dos valores de LSRecall através de uma gama de limiares ($T$), ponderados igualmente para penalizar erros nas regiões mais difíceis.

3. Aumento de Dados Baseado em Saliência:

   • Como prova de conceito, os autores propõem uma técnica de aumento de dados que reduz sistematicamente a saliência de segmentos vasculares específicos durante o treinamento.
   • Isso envolve a atenuação da intensidade do vaso para corresponder ao fundo local e a introdução de descontinuidades sintéticas. O objetivo é forçar as redes neurais a depender de pistas de continuidade global em vez de contraste de textura local.

Configuração Experimental
O estudo avaliou 16 métodos de segmentação (incluindo variantes de UNet, UNet++, ResUNet, HRNet e FSGNet) através de seis conjuntos de dados 2D amplamente utilizados: DRIVE, STARE, CHASEDB1, VessMAP, DCA1 e OCTA-500. Esses conjuntos de dados abrangem fotografia de fundo de olho, microscopia de fluorescência, angiografia coronária e OCTA. Os experimentos utilizaram protocolos de treinamento padrão com supervisão profunda e aumento extensivo de dados (CutMix, inversão, desfoque) para garantir a convergência do modelo.

Resultados Principais

• Correlação com a Dificuldade: O estudo demonstra uma forte correlação entre o desempenho de segmentação e o índice LVS. Os algoritmos falham consistentemente em recuperar vasos com baixa saliência.
• Lacuna de Desempenho: Os valores de mLSR para todos os métodos avaliados foram significativamente menores do que seus valores de recall padrão. Uma redução típica de desempenho de 20 pontos percentuais foi observada ao focar especificamente em vasos de baixa saliência.
  • Para os métodos de alto desempenho em conjuntos de dados de referência como DRIVE e OCTA-500, os valores de mLSR foram aproximadamente 58%, enquanto o recall padrão era significativamente maior (ex: ~86% para DRIVE).
  • O conjunto de dados OCTA-500 provou ser o mais desafiador, seguido de perto pelo DRIVE.
• Divergência de Métricas: Embora o recall global e o mLSR sejam correlacionados, eles divergem significamente ao nível da imagem (correlação de Pearson de 0,46). Imagens com alto recall global (~90%) podem exibir valores de mLSR tão baixos quanto 30%, confirmando que as métricas padrão mascaram falhas em regiões de baixo contraste.
• Eficácia do Aumento: O aumento de saliência proposto não gerou melhorias significativas quando o treinamento foi realizado em conjuntos de dados completos (DRIVE e VessMAP), provavelmente porque os dados originais já continham exemplos suficientes de baixa saliência ou os conjuntos de dados possuíam distribuições de saliência uniformes. No entanto, em cenários de extrema escassez de dados de treinamento (ex: 2–4 amostras), o aumento melhorou significativamente o desempenho (ex: o escore Dice aumentou de 75,3% para 82,5% com 4 amostras), sugerindo que ele ajuda os modelos a generalizar a partir de exemplos limitados.

Significância e Alegações
O artigo afirma que a metodologia desenvolvida fornece uma base quantitativa para projetar algoritmos de segmentação com sensibilidade aprimorada para vasos de difícil detecção. Ao introduzir o índice LVS e o mLSR, os autores oferecem uma ferramenta para:

1. Revelar erros sistemáticos na preservação da conectividade vascular que as métricas globais não detectam.
2. Guiar o desenvolvimento algorítmico futuro voltado para a preservação da integridade topológica em regiões de baixo contraste.
3. Identificar se as lacunas de desempenho decorrem de limitações arquitetônicas ou inconsistências nas anotações manuais (visto que vasos de baixa saliência também são difíceis para humanos anotarem).

Os autores concluem que, embora os métodos atuais de estado da arte funcionem bem em estruturas de alto contraste, eles exibem deficiências consistentes na recuperação de vasos de baixa saliência, uma limitação que deve ser abordada para garantir análises de rede vascular confiáveis. A técnica de aumento de saliência é apresentada como uma direção promissora especificamente para cenários de escassez de dados.