Resumo Técnico: SRMA-Mamba para Segmentação de Fígado Patológico

Declaração do Problema

A cirrose hepática representa um desafio crítico de saúde global, servindo como a manifestação final de estágio avançado da fibrose hepática progressiva. Embora a Ressonância Magnética (RM) tenha se tornado um pilar para o diagnóstico não invasivo devido ao seu superior contraste de tecidos moles, a delineação precisa de estruturas hepáticas patológicas permanece difícil. A segmentação manual é trabalhosa e sofre de uma variabilidade significativa entre observadores.

Os métodos automatizados existentes, particularmente aqueles baseados em aprendizado profundo, enfrentam limitações específicas neste domínio:

1. Subutilização do Contexto Espacial: Muitas abordagens tratam dados de RM volumétricos como sequências lineares, o que inerentemente interrompe a topologia espacial 3D intrínseca.
2. Morfologias Anisotrópicas: Estruturas cirróticas exibem formas altamente irregulares e anisotrópicas. Descartar o contexto espacial em favor da linearização leva a definições de contorno subótimas e resultados de segmentação fragmentados.
3. Relações Anatômicas Complexas: Os métodos atuais frequentemente falham em capturar totalmente as intrincadas relações espaciais entre voxels em diferentes planos anatômicos, dificultando a explicabilidade clínica e a eficácia.

Metodologia

Os autores propõem o SRMA-Mamba (Spatial Reverse Mamba Attention Network), uma nova arquitetura projetada para modelar relações espaciais dentro de estruturas anatômicas complexas de volumes de RM usando Modelos de Espaço de Estados (SSMs). A rede segue uma estrutura de codificador-decodificador com três inovações principais:

1. Arquitetura Geral

O SRMA-Mamba emprega um framework hierárquico de codificador-decodificador. O codificador extrai características dos volumes de RM cirróticos de entrada, enquanto o decodificador refina incrementalmente os mapas de segmentação. Diferente dos decodificadores padrão, esta arquitetura integra um módulo de Atenção Mamba Reversa Espacial (SRMA) em múltiplos estágios para refinar progressivamente os detalhes das bordas usando características tanto das etapas de codificação quanto dos mapas de segmentação grosseiros.

2. Mamba de Anatomia Baseada em Espaço (SABMamba)

Inspirado na prática clínica de radiologistas que revisam volumes de RM através de múltiplos planos, o módulo SABMamba modela relações anatômicas complexas integrando informações de três planos ortogonais: sagital, coronal e axial.

• Estrutura: Consiste em ramos residuais consecutivos. Um ramo utiliza um bloco de Mamba Baseado em Anatomia (ABM), enquanto o outro utiliza um Perceptron Multicamadas (MLP).
• Varredura Seletiva Baseada em Anatomia (ABSS): Um componente chave dentro do bloco ABM, o módulo ABSS aprende representações de características espaciais para tecidos hepáticos patológicos. Ele opera por meio de:
  1. Remodelagem (Reshaping): Reorganizando o volume de entrada em três planos anatômicos ($f_h, f_w, f_d$).
  2. Expansão de Varredura (Scan Expanding): Desdobrando os dados desses planos em sequências ao longo de quatro direções distintas.
  3. Processamento Seletivo: Utilizando o módulo S6 (do Mamba) para processar seletivamente essas sequências, filtrando informações irrelevantes enquanto preserva características relevantes.
  4. Fusão de Varredura (Scan Merging): Integrando as sequências processadas de volta à resolução original.
     Esta abordagem permite o processamento direto de dados volumétricos 3D com baixa complexidade computacional enquanto preserva a topologia espacial 3D.

3. Atenção Mamba Reversa Espacial (SRMA)

O módulo SRMA é projetado para refinar progressivamente os detalhes das bordas no mapa de segmentação.

• Mecanismo: Ele recebe o mapa de segmentação grosseiro ($S_{i+1}$) e o mapa de características do nível de codificação atual ($f_i$) como entradas.
• Atenção Reversa: O mapa de segmentação grosseiro passa por uma função Sigmoid e uma operação reversa para gerar pesos de atenção ($A_i = 1 - \text{Sigmoid}(S_{i+1})$).
• Refinamento: Esses pesos são aplicados via multiplicação elemento a elemento ao mapa de características aprimorado. O resultado é processado por um módulo SABMamba e camadas convolucionais para gerar a saída refinada. Este processo melhora a agregação de características e a delineação de bordas.

Principais Contribuições

O artigo descreve quatro contribuições primárias:

1. Rede SRMA-Mamba: Uma nova rede para segmentação eficiente de fígado patológico volumétrico que aborda as limitações da modelagem de sequência linear em imagens médicas 3D.
2. Módulo SABMamba: Um mecanismo que realiza varreduras através de múltiplas perspectivas anatômicas (sagital, coronal, axial) para construir uma representação de contexto espacial global.
3. Módulo SRMA: Um mecanismo de refinamento progressivo que utiliza características de codificação hierárquica e mapas de segmentação grosseiros para melhorar a precisão das bordas.
4. Módulo ABSS: Um módulo de Varredura Seletiva Baseada em Anatomia que permite o processamento direto de dados volumétricos 3D com baixa complexidade computacional, preservando a informação anatômica espacial.

Resultados Experimentais

Os autores avaliaram o SRMA-Mamba no dataset CirрMRI600+, que inclui 628 exames de RM abdominal (310 ponderados em T1 e 318 ponderados em T2). O modelo foi comparado com métodos de última geração, incluindo CNNs (SegResNet, UX-Net, MedNeXt), Transformers (SwinUNETR, SwinUNETRv2) e modelos baseados em Mamba (SegMamba).

Desempenho Quantitativo

• Dataset T1W: O SRMA-Mamba alcançou 92,95% de mDSC e 87,59% de mIoU, superando o melhor anterior (SegMamba) em 1,15% e 1,89%, respectivamente. Também demonstrou precisão de borda superior com um HD95 de 17,52 e ASSD de 3,05.
• Dataset T2W: O modelo alcançou 86,25% de mDSC e 78,24% de mIoU, novamente superando o SegMamba.
• Eficiência Computacional: Apesar do alto desempenho, o SRMA-Mamba demonstrou complexidade computacional significativamente menor em comparação ao SegMamba, com 17,22M de parâmetros e 149,14 GFLOPs, comparado aos 64,24M de parâmetros e 2379,03 GFLOPs do SegMamba.

Análise Qualitativa e de Ablação

• Resultados Qualitativos: Comparações visuais mostraram a capacidade superior do SRMA-Mamba em delinear regiões patológicas grandes e pequenas e em lidar com detalhes complexos de borda em comparação com outros métodos.
• Estudo de Ablação: Remover o SABMamba reduziu o mDSC de 92,95% para 80,62%, confirmando seu papel na modelagem da anatomia espacial. Remover o SRMA reduziu o mDSC para 90,63%, validando sua contribuição para o refinamento de bordas.
• Configuração de Planos: Experimentos mostraram que o uso de todos os três planos anatômicos (Axial, Sagital, Coronal) superou consistentemente as configurações de plano único, validando a abordagem de aprendizado de representação multiplanar.

Significância e Alegações

O artigo afirma que o SRMA-Mamba aborda a lacuna crítica nos métodos existentes ao modelar efetivamente a topologia espacial 3D das estruturas hepáticas patológicas sem a fragmentação causada pela linearização. Ao integrar informações de planos anatômicos e empregar um mecanismo de atenção reversa, a rede alcança o estado da arte no desempenho de segmentação de fígado patológico 3D. Os autores sustentam que esta abordagem não apenas melhora a precisão da segmentação, mas também aumenta a explicabilidade clínica ao preservar melhor os detalhes anatômicos intrincados necessários para prognóstico e estratégias de intervenção. O trabalho posiciona a integração de Modelos de Espaço de Estados com priors anatômicos como uma direção promissora para a análise de imagens médicas volumétricas.