Structured Spectral Graph Representation Learning for Multi-label Abnormality Analysis from 3D CT Scans

Resumo Técnico: Aprendizado de Representação de Grafos Espectrais Estruturados para Análise de Anormalidades Multirrótulo em Tomografias Computadorizadas 3D

Definição do Problema
O crescente volume de exames de tomografia computadorizada (TC) de tórax exige ferramentas automatizadas para auxiliar radiologistas na detecção de anormalidades. Embora a classificação multirrótulo seja crítica para o suporte à decisão clínica, ela permanece um desafio devido às complexas relações espaciais inerentes aos dados volumétricos e à ampla variabilidade das patologias. As abordagens existentes enfrentam limitações específicas: Redes Neurais Convolucionais (CNNs) 3D frequentemente têm dificuldade em capturar dependências de longo alcance, enquanto os Vision Transformers (ViTs) tipicamente exigem um pré-treinamento extensivo em grandes conjuntos de dados específicos do domínio para serem competitivos. Além disso, muitos métodos 2.5D existentes (que processam fatias de forma independente ou como sequências) carecem de um modelamento explícito da continuidade espacial e das dependências entre fatias dentro do volume.

Metodologia: CT-SSG
Os autores propõem o CT-SSG (Structural Spectral Graph for Computed Tomography), um framework 2.5D que representa volumes de TC 3D como grafos estruturados. A arquitetura procede através de quatro estágios:

1. Inicialização de Características: O volume 3D de entrada é particionado em $N$ trios não sobrepostos de fatias axiais adjacentes. Cada trio é processado independentemente por um backbone ResNet-18 2D para extrair características espaciais, resultando em um embedding compacto para cada trio. Esta abordagem captura o contexto inter-fatia local sem recorrer a convoluções 3D computacionalmente caras.
2. Construção do Grafo: O volume é modelado como um grafo $G=(V, E)$, onde cada nó $v_i$ representa um trio de fatias axiais. As arestas conectam os nós com base em sua distância física ao longo do eixo caudal-cranial (z). Os pesos das arestas são definidos por uma função da distância inter-trio e do espaçamento das fatias, permitindo que o modelo codifique relações espaciais. Os autores exploram tanto topologias totalmente conectadas quanto esparsas, onde a conectividade é limitada a um tamanho de campo receptivo específico $q$.
3. Passagem de Mensagens no Domínio Espectral: Para lidar com a variabilidade no posicionamento anatômico entre pacientes, o modelo emprega um Módulo Espectral baseado em convoluções de grafos de Chebyshev. Diferente das convoluções de grafos espaciais que agregam vizinhanças locais fixas, as convoluções espectrais operam no domínio de Fourier usando aproximações polinomiais do Laplaciano do grafo. Isso permite que o modelo capture representações de características hierárquicas e relações anatômicas de longo alcance, permanecendo robusto à variabilidade inter-paciente. O módulo inclui Triplet Axial Slice Positional Embeddings para reter informações de posição axial e utiliza conexões residuais com camadas de normalização.
4. Classificação: As representações de nós atualizadas são agregadas via pooling médio para produzir um embedding de volume global, que é passado para uma cabeça de classificação para prever a presença de múltiplas anormalidades usando perda de Entropia Cruzada Binária (Binary Cross-Entropy).

Principais Contribuições
O artigo delineia cinco contribuições primárias:

1. Framework CT-SSG: Um novo codificador visual que modela volumes de TC 3D como grafos de trios de fatias axiais, incorporando Triplet Axial Slice Positional Embeddings e estratégias de ponderação de arestas dentro de um módulo GNN de domínio espectral.
2. Generalização entre Datasets: Demonstrou forte generalização ao ser treinado no dataset CT-RATE (Turquia) e avaliado em datasets independentes dos EUA (RAD-ChestCT) e França (CT-HCL). O modelo também mostrou transferibilidade de TC de tórax para TC abdominal.
3. Estudos de Ablação Abrangentes: Avaliação sistemática da profundidade do modelo, hiperparâmetros, topologia do grafo (esparsa vs. totalmente conectada), ponderação de arestas e padrões de conectividade. O estudo identifica que topologias esparsas com vizinhanças locais e uma única camada espectral produzem o desempenho ideal.
4. Transferência para Geração de Relatórios: Avaliação do CT-SSG como um codificador visual para a geração automatizada de relatórios radiológicos, demonstrando que as representações aprendidas são eficazes para tarefas de geração de texto downstream.
5. Transferência para TC Abdominal: Validação da abordagem em um regime de baixos dados para classificação de anormalidades em TC abdominal, mostrando que backbones pré-treinados em tórax superam o treinamento supervisionado do zero quando há menos de 3.750 amostras disponíveis.

Resultos Experimentais
O modelo foi avaliado no dataset CT-RATE (21.034 pacientes) e comparado contra 3D CNNs, 3D Transformers (ViViT, Swin3D) e outros métodos 2.5D (CT-Net, CT-Scroll).

• Desempenho: O CT-SSG alcançou um F1-Score macro de 57,18% no conjunto de teste do CT-RATE, superando o melhor baseline (CT-Scroll, 54,30%) e mostrando ganhos significativos sobre Transformers 3D e CNNs.
• Generalização: Em avaliações entre datasets, o CT-SSG consistentemente ocupou o ranking mais alto em F1-Score, AUROC e mAP em ambos os datasets RAD-ChestCT e CT-HCL, indicando robustez a diferentes distribuições clínicas.
• Achados de Ablação:
  • Topologia: Topologias de grafo esparsas (campo receptivo $q=16$) superaram as topologias totalmente conectadas, sugerindo que restringir a agregação a interações locais captura melhor as dependências de curto alcance.
  • Profundidade: Uma única camada espectral rendeu os melhores resultados, implicando que estruturas de grafos profundas não são necessárias para esta tarefa.
  • Tamanho do Filtro: Em grafos esparsos, um filtro de Chebyshev de tamanho $K=3$ foi o ideal, enquanto grafos totalmente conectados mostraram retornos decrescentes com valores de $K$ mais altos.
  • Robustez: O modelo permaneceu robusto a translações no eixo z e perturbações de ruído Gaussiano.
• Tarefas Downstream: Na geração de relatórios, o CT-SSG alcançou um F1-Score de 38,72% (eficácia clínica), superando significativamente o ViViT (27,54%) e o ResNet3D (25,45%). Na transferência para TC abdominal, o linear probing em pesos congelados pré-treinados em tórax superou o treinamento supervisionado do zero em regimes de baixos dados.

Significância e Alegações
Os autores alegam que o CT-SSG fornece um paradigma flexível e geral que faz a ponte entre a modelagem 2D e volumétrica. Ao representar volumes de TC como grafos estruturados, o método controla explicitamente as definições de vizinhança e a ponderação de arestas, oferecendo uma alternativa fundamentada fisicamente à conectividade densa dos Transformers. O trabalho sugere que priors estruturais explícitos (como a conectividade inter-fatia local) servem como um viés indutivo eficaz para o raciocínio 3D, alcançando desempenho competitivo com menor complexidade computacional em comparação aos Transformers 3D. Os autores posicionam o CT-SSG como um backbone versátil adequado para uma ampla gama de tarefas de imagem médica 3D, incluindo detecção de anormalidades e geração de relatórios, sem exigir um pré-treinamento extensivo e específico do domínio.