DyABD: The Abdominal Muscle Segmentation in Dynamic MRI Benchmark

Resumo Técnico: DyABD – Benchmark de Segmentação de Músculos Abdominais em RM Dinâmica

1. O Problema

A pesquisa aborda um desafio clínico e computacional significativo: a compreensão da biomecânica da parede abdominal em pacientes com hérnias abdominais para reduzir as altas taxas de recorrência pós-cirúrgica (que variam de 30% a 80%).

Atualmente, a análise da funcionalidade muscular exige a segmentação precisa de quatro grupos musculares: músculo lateral direito (rLA), músculo lateral esquerdo (lLM), reto abdominal direito (rRA) e reto abdominal esquerdo (lRA). No entanto, a segmentação manual é exaustiva e lenta. Além disso, a maioria dos modelos de segmentação médica atuais é testada em imagens estáticas e órgãos internos, falhando ao lidar com a extrema variabilidade anatômica e deformação muscular causada por movimentos dinâmicos (respiração, tosse e manobra de Valsalva).

2. Metodologia

Os autores introduzem o DyABD, um novo benchmark composto por 311 volumes de Ressonância Magnética (RM) dinâmica de 17 pacientes. O dataset é único por incluir imagens pré e pós-operatórias e capturar movimentos durante três exercícios específicos.

Para avaliar o estado da arte, o estudo comparou três paradigmas de segmentação:

• Semi-automático com Anotações (Few-Shot Segmentation - FSS): Utiliza um pequeno conjunto de fatias anotadas (Support Set) para segmentar o restante do volume (Query Set). Modelos testados: UniverSeg e ADNet.
• Semi-automático com Prompts (Zero-Shot): Utiliza apenas caixas delimitadoras (bounding boxes) como guia. Modelos testados: SAM, SAM 2, MedSAM e uma versão do SAM ajustada (Fine-tuned).
• Totalmente Automático (Supervisionado): Não requer intervenção no teste. Modelos testados: nnU-Net (2D e 3D) e U-Mamba.

A avaliação utilizou métricas de sobreposição (Dice Coefficient e IoU) e de precisão de contorno (Distância de Hausdorff Simétrica).

3. Principais Contribuições

• Novo Benchmark (DyABD): O primeiro dataset focado na segmentação de músculos abdominais em RM dinâmica, apresentando alta complexidade devido à deformação tecidual.
• Avaliação de Generalização: Uma análise abrangente que revela como modelos treinados em outros contextos (como órgãos ou imagens naturais) se comportam em tarefas musculares dinâmicas.
• Análise de Paradigmas: Demonstração de que modelos de fundação (foundation models) como o SAM podem superar modelos médicos especializados (MedSAM) em tarefas não vistas.

4. Resultados Principais

• Desempenho Geral: A maioria das técnicas de ponta atingiu um Coeficiente de Dice de aproximadamente 0,82, indicando que ainda há espaço para melhorias substanciais.
• Vencedor por Categoria:
  • O Fine-tuned SAM obteve o melhor desempenho absoluto (Dice 0,89), mas com alto custo de anotação.
  • O nnU-Net (3D) foi o melhor modelo totalmente automático (Dice 0,82), superando a versão 2D e o modelo U-Mamba, provando que arquiteturas 3D capturam melhor as relações entre as fatias.
  • O UniverSeg (FSS) mostrou-se altamente eficaz e generalizável, empatando com os melhores modelos automáticos.
• Desafios Identificados: Os músculos reto abdominais (RA) foram mais difíceis de segmentar do que os laterais (LM) devido ao maior deslocamento físico durante os exercícios. O modelo MedSAM apresentou desempenho inferior aos modelos de propósito geral (SAM/SAM 2), sugerindo limitações de generalização em tarefas muito específicas.

5. Significância e Impacto

Este trabalho redefine o padrão para benchmarks de segmentação médica ao introduzir a dimensão temporal e dinâmica. Clinicamente, o DyABD permite o desenvolvimento de ferramentas que automatizam a medição do deslocamento muscular, o que é crucial para o planejamento cirúrgico personalizado e para a compreensão da biomecânica da parede abdominal. O estudo abre caminho para futuras pesquisas em segmentação espaço-temporal (vídeo) e o uso de modelos de fundação para reduzir o custo de anotação médica.