Dissecting Model Failures in Abdominal Aortic Aneurysm Segmentation through Explainability-Driven Analysis

Título: Desmontando Falhas de Modelos na Segmentação de Aneurismas da Aorta Abdominal através de Análise Orientada por Explicabilidade

1. O Problema

A segmentação de aneurismas da aorta abdominal (AAA) em imagens de tomografia computadorizada (TC) é crucial para avaliação de risco e planejamento cirúrgico. No entanto, os modelos de aprendizado profundo atuais (como U-Net, U-Net++ e Segment Anything Model - SAM) frequentemente falham em casos clinicamente complexos.

• Causas das Falhas: Os modelos tendem a atribuir massa de probabilidade a estruturas irrelevantes (como vasos adjacentes ou tecidos moles), sofrem de "vazamento" (leakage) para áreas que não devem ser segmentadas e falham ao detectar paredes aneurismáticas finas e de baixo contraste.
• Limitação Atual: As funções de perda tradicionais (ex: Dice, entropia cruzada) tratam esses erros implicitamente através de erros pixel a pixel, mas não corrigem diretamente onde o modelo está focando internamente. Consequentemente, a representação aprendida pelo codificador (encoder) pode permanecer desalinhada com as estruturas clinicamente relevantes, mesmo com a perda de máscara minimizada.

2. Metodologia: Framework XAI-SAM

Os autores propõem um framework guiado por Inteligibilidade Artificial (XAI) que trata o foco interno do codificador como um sinal de treinamento primário, em vez de um subproduto. A arquitetura é baseada no SAM (Segment Anything Model), mas com modificações significativas:

• Campo XAI (XAI Field): O método calcula um mapa de atribuição denso e baseado em gradientes a partir do bloco final do codificador. Este mapa, denominado "Campo XAI", revela onde o modelo está prestando atenção.
• Alinhamento de Foco (Focus Alignment):
  • Introduz uma perda de alinhamento que força a massa de probabilidade da segmentação prevista a concordar com o Campo XAI.
  • Isso é feito através de duas métricas: uma sobreposição de massa (Lovlp) e uma divergência de distribuição (Ldiv), garantindo que o modelo "olhe" para onde ele "prevê".
• Refinamento e Prioridade de Confiança:
  • O Campo XAI é roteado para um caminho de refinamento leve e um "prior de confiança" que modula os logits durante a inferência.
  • Isso suprime regiões distratoras enquanto preserva estruturas sutis (paredes finas).
• Classificador de Consistência de Pares (Pairwise Consistency):
  • Para evitar transições anatômicas implausíveis entre fatias consecutivas (slices), um pequeno classificador CNN é treinado em pares de máscaras verdadeiras (ground truth).
  • Durante o treinamento, este classificador atua como um regularizador aprendido, penalizando previsões que não formam uma progressão anatômica realista entre fatias adjacentes.
• Perdas Orientadas à Anatomia:
  • Inclui termos de perda baseados em bordas (gradientes) e topologia (eixo medial/skeleton) para garantir que o modelo respeite a espessura e a continuidade da parede do aneurisma.
• Estratégia de Treinamento (Curriculum):
  • O treinamento ocorre em fases: inicialmente focado na consistência inter-fatia e coerência volumétrica, evoluindo para priorizar o alinhamento atribuição-probabilidade e a fidelidade anatômica.

3. Principais Contribuições

1. Framework de Moldagem de Codificador Guiado por XAI: Propõe o uso de mapas de atribuição como sinais de treinamento de primeira classe para segmentação de AAA.
2. Perda de Alinhamento de Foco: Introduz uma função de perda que força a concordância entre a massa de probabilidade da segmentação e o campo de atribuição XAI, combinada com um caminho de refinamento.
3. Regularizador de Consistência Aprendido: Utiliza um classificador treinado em pares de máscaras consecutivas para penalizar transições anatômicas inconsistentes, substituindo penalidades manuais por uma prior aprendida.
4. Estudo Empírico Abrangente: Avaliação detalhada em casos gerais e complexos, demonstrando melhorias consistentes sobre baselines fortes (U-Net, MedSAM, SAM) e fornecendo análises qualitativas das correções de falhas.

4. Resultados Experimentais

O método foi avaliado em um conjunto de dados clínicos validado (147 exames de TC, 9.037 imagens) com divisão 80/20.

• Desempenho Geral: O XAI-SAM superou significativamente todos os baselines (U-Net, U-Net++, MedSAM, SAM padrão) tanto para a parede externa quanto para o lúmen.
  • Parede Externa (Casos Gerais): O XAI-SAM alcançou um Dice de 97,93% e IoU de 96,08%, comparado a ~89% de Dice e ~82% de IoU do baseline SAM.
  • Lúmen: Dice de 97,67% e IoU de 95,56%.
• Desempenho em Casos Complexos: As melhorias foram ainda mais pronunciadas em subconjuntos de casos difíceis (paredes finas, baixo contraste, vasos adjacentes).
  • O XAI-SAM reduziu drasticamente a distância Hausdorff (HD95), indicando alinhamento de borda superior (ex: HD95 de 0,19 mm para parede externa vs. 4,09 mm do baseline SAM).
  • Modelos tradicionais como U-Net sofreram degradação severa de desempenho (Dice caindo para ~74% em casos complexos), enquanto o XAI-SAM manteve robustez.
• Estudo de Ablação: Confirmou que a integração completa (S + X + A) é necessária para atingir a precisão máxima, sendo o guia XAI e a perda de anatomia componentes críticos para a robustez contra distratores.
• Análise Qualitativa: Estudos de caso mostraram que o XAI-SAM corrige o foco do modelo, evitando vazamentos para vasos vizinhos e capturando bordas finas que outros modelos ignoram ou tratam de forma difusa.

5. Significado e Conclusão

Este trabalho demonstra que a análise orientada por explicabilidade pode ser elevada de uma ferramenta de diagnóstico post-hoc para um princípio orientador para o treinamento de modelos.

• Inovação Conceitual: Ao otimizar explicitamente o foco interno do codificador via XAI, o método resolve falhas que as funções de perda regionais padrão não conseguem abordar.
• Impacto Clínico: A abordagem resulta em sistemas de segmentação mais confiáveis para cenários complexos e críticos, onde a precisão na detecção de paredes finas e a consistência anatômica são vitais para o planejamento cirúrgico.
• Generalidade: Embora focado em AAA, o framework é genérico e aplicável a outras tarefas de segmentação vascular ou de órgãos onde a atenção mal alocada é uma causa comum de falha.

Em suma, o artigo propõe uma mudança de paradigma: em vez de apenas corrigir o erro de saída, o modelo é treinado para corrigir como e onde ele processa a informação, resultando em segmentações mais precisas e clinicamente alinhadas.