Reliable Brain Tumor Segmentation Based on Spiking Neural Networks with Efficient Training

Resumo Técnico: Segmentação Confiável de Tumores Cerebrais Baseada em Redes Neurais de Impulsos com Treinamento Eficiente

Definição do Problema
A segmentação precisa e confiável de tumores cerebrais é crítica para o diagnóstico clínico e o planejamento de tratamento. Embora as Redes Neurais Profundas (DNNs) tenham alcançado alto desempenho na segmentação de tumores cerebrais 3D, suas substanciais demandas computacionais e energéticas limitam sua implementação em sistemas de Internet das Coisas (IoT) médica e de Ponto de Cuidado (PoC), que frequentemente operam sob rigorosas restrições de potência. Além disso, a integração clínica exige modelos que não apenas delineiem tumores com precisão, mas também quantifiquem a confiança preditiva (incerteza) para garantir segurança e interpretabilidade. As abordagens existentes de Redes Neurais de Impulsos (SNN) para estimativa de incerteza geralmente dependem de entradas estáticas repetidas ao longo dos passos de tempo, um cenário incompatível com as entradas sequenciais e por fatias exigidas para a segmentação de imagens médicas 3D. Adicionalmente, o treinamento de SNNs para tarefas tão complexas usando o Backpropagation Through Time (BPTT) padrão acarreta custos computacionais e de memória proibitivos.

Metodologia
Os autores propõem um framework centrado no Spiking U-Seg-Net, uma arquitetura SNN energeticamente eficiente adaptada para a segmentação de tumores cerebrais 3D.

• Arquitetura da Rede: O modelo segue uma estrutura encoder-decoder U-Net, mas utiliza uma única convolução por bloco para reduzir os parâmetros. Ele processa volumes de RM 3D (T1, T2, T1-Gd, FLAIR) tratando fatias 2D de uma perspectiva anatômica específica como entradas sequenciais ao longo dos passos de tempo. A rede emprega neurônios Parametric Leaky Integrate-and-Fire (PLIF) com constantes de tempo de membrana aprendíveis e uma função de gradiente substituto ($\sigma(x) = \frac{1}{\pi} \arctan(\pi x) + \frac{1}{2}$) para permitir o treinamento baseado em gradiente. A saída gera três mapas de características correspondentes ao Tumor Realçante (ET), Núcleo do Tumor (TC) e Tumor Total (WT).
• Treinamento Eficiente (FPTT): Para abordar os gargalos de memória e computação do BPTT, os autores empregam o Forward Propagation Through Time (FPTT). Este algoritmo atualiza os parâmetros da rede em cada passo de tempo usando uma função de risco instantânea que inclui um termo de regularização baseado em uma média móvel dos pesos passados. Esta abordagem evita o retrocesso explícito através de todos os estados passados, permitindo a otimização escalável de SNNs temporalmente dinâmicas com custo computacional reduzido.
• Ensemble Multi-Vista: Para aumentar a robustez e a estimativa de incerteza, os autores propõem uma estratégia de ensemble multi-vista. Três modelos Spiking U-Seg-Net independentes são treinados, cada um processando fatias de um plano anatômico distinto: sagital, coronal e axial. Durante a inferência, os mapas de probabilidade desses três modelos são alinhados espacialmente e calculados pela média voxel a voxel. Esta abordagem de ensemble aproveita informações complementares entre as vistas para fornecer estimativas de incerteza bem calibradas, abordando as limitações dos modelos SNN de visão única.
• Função de Perda: O treinamento utiliza uma perda híbrida combinando Entropia Cruzada Binária ($L_{BCE}$) e Perda de Dice ($L_{Dice}$) para lidar com o desequilíbrio de classes e melhorar a sensibilidade a pequenas regiões tumorais.

Principais Contribuições

1. Arquitetura Energeticamente Eficiente: A introdução do Spiking U-Seg-Net, uma SNN baseada em UNet treinada com FPTT, projetada especificamente para a segmentação de tumores cerebrais.
2. Estimativa de Incerteza Robusta: Um mecanismo de ensemble multi-vista que agrega predições de vistas sagital, coronal e axial, melhorando significativamente a confiabilidade do modelo e a calibração da incerteza em comparação com abordagens de visão única.
3. Avaliação Abrangente: Uma avaliação rigorosa nos conjuntos de dados BraTS 2017 e BraTS 2023 demonstrando que o método proposto alcança precisão competitiva enquanto reduz drasticamente a carga computacional.

Resultados Experimentais
O framework foi avaliado nos conjuntos de dados BraTS 2017 (210 indivíduos) e BraTS 2023 (1.251 indivíduos) usando validação cruzada de 5 dobras (5-fold cross-validation).

• Precisão de Segmentação: O Spiking U-Seg-Net de ensemble alcançou razões de Dice competitivas. No BraTS 2017, aproximou-se do desempenho das baselines de DNN (U-Seg-Net e U-Seg-Net+CLSTM). No BraTS 2023, demonstrou desempenho superior na segmentação da região do Tumor Total (WT) em comparação com as baselines.
• Calibração de Incerteza: O ensemble multi-vista melhorou significativamente a estimativa de incerteza. No BraTS 2017, o ensemble reduziu a Log-Verossimilhança Negativa (NLL) em aproximadamente 43,8% em comparação com o melhor modelo de visão única. No BraTS 2023, a melhoria foi de 48,3%, indicando que o ensemble fornece probabilidades preditivas mais confiáveis e bem calibradas.
• Eficiência Computacional: O uso de computação SNN esparsa resultou em uma redução de 87% nos FLOPs (Operações de Ponto Flutuante) em comparação com a baseline de DNN ao processar uma única amostra, destacando o potencial para implantação de baixa potência.

Significância e Alegações
O artigo afirma que o framework proposto demonstra o potencial das Redes Neurais de Impulsos para sistemas de IoT médica e de Ponto de Cuidado confiáveis e de baixa potência. Ao integrar o FPTT para treinamento eficiente e um ensemble multi-vista para estimativa de incerteza robusta, os autores mostram que as SNNs podem entregar segmentação de tumor cerebral 3D precisa sem os altos custos energéticos associados às DNNs tradicionais. O trabalho posiciona as SNNs como uma base viável para o imageamento médico consciente de incerteza, capaz de operar sob restrições rigorosas de recursos mantendo a confiabilidade de nível clínico.