VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation

Resumo Técnico: Vessel-RW

Declaração do Problema
A segmentação precisa de vasos subcutâneos a partir de imagens clínicas é crítica para fluxos de trabalho diagnósticos e intervencionistas, como o planejamento de acesso vascular e o monitoramento da microcirculação. No entanto, essa tarefa é dificultada pelas características únicas das estruturas vasculares: baixo contraste, geometria tubular, alta variabilidade interpaciente e ruído frequente nas imagens. Além disso, o desenvolvimento de soluções de aprendizado profundo é limitado pela escassez de anotações densas, pixel a pixel, de verdade fundamental. A produção dessas máscaras é intensiva em mão de obra e consome muito tempo para os clínicos, criando um gargalo para o treinamento de modelos robustos. Embora o aprendizado profundo tenha avançado a segmentação semântica geral, sua aplicação à imagem vascular exige abordar essas limitações específicas de dados e complexidades estruturais.

Metodologia
Os autores propõem o Vessel-RW, um framework de aprendizado supervisionado fraco projetado para aprender a partir de anotações baratas e esparsas (por exemplo, traços de linha central, marcadores pontuais ou rabiscos curtos) em vez de máscaras densas. A inovação central é um módulo de propagação de rótulos baseado em caminhada aleatória, diferenciável, que expande pistas esparsas em supervisão densa e probabilística.

O framework treina conjuntamente dois componentes:

1. Um Preditor de Segmentação CNN ($Q_\theta$): Uma rede codificador-decodificador que prevê distribuições de rótulos por pixel a partir da imagem de entrada.
2. Um Módulo de Propagação de Rótulos Diferenciável: Este módulo utiliza uma formulação de caminhada aleatória para propagar rótulos esparsos através da grade da imagem. A propagação é guiada por pistas de imagem aprendidas:
   • Pontuações de Fronteira ($B_{\phi,I}$): Um mapa que prevê prováveis limites de vasos para impedir o fluxo de rótulos através das bordas.
   • Priors de Vasos/Orientação ($V_{\psi,I}$): Um mapa indicando estruturas tubulares para incentivar o fluxo de rótulos ao longo da continuidade do vaso.

Os pesos de transição da caminhada aleatória são parametrizados por essas pistas aprendidas, permitindo que o sistema aprenda implicitamente as bordas dos vasos e as restrições de continuidade sem supervisão explícita de bordas. A propagação produz probabilidades de acerto por pixel e estimativas de incerteza calibradas.

Componentes Técnicos Principais:

• Treinamento Conjunto End-to-End: Diferentemente de métodos anteriores que alternam entre propagação fixa e treinamento de CNN, o Vessel-RW otimiza o propagador e o preditor simultaneamente. Os gradientes fluem através da etapa de propagação via diferenciação implícita do sistema linear esparsos usado para resolver as probabilidades de acerto.
• Função de Perda Ponderada por Incerteza: O sistema utiliza a entropia da distribuição propagada para ponderar a perda de treinamento. Pixels com alta incerteza (regiões ambíguas) são ponderados para baixo para evitar que o modelo se ajuste excessivamente a pseudorótulos potencialmente incorretos.
• Regularização Consciente de Topologia: Para garantir utilidade clínica, introduz-se um regularizador que incentiva linhas centrais conectadas e penaliza ramificações espúrias. Isso inclui uma perda de consistência de linha central (alinhando a probabilidade do vaso com sementes esqueléticas) e um termo de consistência geodésica (incentivando conexões de caminho curto às sementes anotadas).

Resultados Experimentais
O método foi avaliado em um corpus clínico diversificado de 1.200 imagens subcutâneas (incluindo infravermelho próximo e RGB) cobrindo vários tons de pele, gêneros e locais anatômicos (antebraço, coxa, abdômen).

• Desempenho: Em um conjunto de teste totalmente rotulado de 100 imagens, o Vessel-RW alcançou um coeficiente médio de Dice de 0,78 e um F1 de Linha Central de 0,83.
• Vantagem Comparativa: O método superou consistentemente o treinamento ingênuo em rótulos esparsos e esquemas convencionais de pseudorótulos densos.
• Estudos de Ablação: A remoção do regularizador de topologia reduziu o Dice em 5 pontos percentuais; a remoção dos priors de vasos aprendidos reduziu em 3 pontos; a remoção da ponderação por incerteza reduziu em 2 pontos.
• Eficiência: A anotação esparsa exigiu uma média de 28 segundos por imagem, comparada a 640 segundos para máscaras densas, representando uma redução de 95% no tempo de anotação.
• Robustez: O desempenho manteve-se consistente entre grupos demográficos, embora tenha sido ligeiramente menor em imagens de abdômen de baixo contraste e tons de pele mais escuros, onde os mapas de incerteza destacaram efetivamente regiões ambíguas.

Significado e Alegações
O artigo alega que o Vessel-RW fornece uma rota prática para segmentação escalável e clinicamente útil de vasos subcutâneos, que reduz substancialmente o ônus de anotação enquanto preserva a topologia vascular clinicamente relevante. Ao aprender o mecanismo de propagação conjuntamente com a rede de segmentação, o sistema adapta sua noção de continuidade de rótulos à geometria vascular específica dos dados, superando as limitações de suposições de propagação fixas e criadas manualmente. O framework produz não apenas mapas de segmentação precisos, mas também estimativas de incerteza calibradas, que são cruciais para a tomada de decisão a jusante em ambientes clínicos. Os autores posicionam este trabalho como uma solução que preenche a lacuna entre o alto custo da anotação densa e a necessidade de delimitação vascular precisa e consciente de topologia.