Resource-Aware Evolutionary Neural Architecture Search for Cardiac MRI Segmentation

Resumo Técnico: Busca de Arquitetura Neural Evolutiva Consciente de Recursos para Segmentação de Ressonância Magnética Cardíaca

Declaração do Problema
A segmentação de ressonância magnética cardíaca (CMR) é crítica para a avaliação quantitativa da estrutura e função ventriculares, especificamente delimitando o ventrículo esquerdo (VE), o ventrículo direito (VD) e o miocárdio (MYO). No entanto, alcançar uma delimitação confiável é dificultado pelo baixo contraste tecidual, limites difusos (particularmente ao redor dos músculos papilares e pontos de inserção), variabilidade interpaciente e deslocamentos de domínio entre diferentes scanners e protocolos. Embora o aprendizado profundo, particularmente arquiteturas codificador-decodificador como U-Net, tenha se tornado o paradigma dominante, os praticantes enfrentam trade-offs significativos entre a qualidade dos limites (medida pelo Coeficiente de Similaridade de Dice [DSC] e pela distância de Hausdorff no percentil 95 [HD95]) e a eficiência computacional (parâmetros e FLOPs). Os métodos existentes de Busca de Arquitetura Neural (NAS) frequentemente exigem esforço substancial de engenharia para equilibrar esses objetivos concorrentes ou falham em otimizar explicitamente restrições de recursos implantáveis em contextos específicos para o coração.

Metodologia: CardiacNAS
Os autores propõem o CardiacNAS, um framework de Busca de Arquitetura Neural evolutiva projetado para automatizar o projeto de modelos eficientes de segmentação de CMR sob restrições explícitas de recursos. O framework opera através dos seguintes componentes:

1. Supernet Consciente do Coração e Espaço de Busca:
   A base é uma supernet estruturada como U-Net, organizada em codificador, gargalo e decodificador com conexões de salto. Diferentemente do NAS padrão, o espaço de busca é explicitamente adaptado para imagem cardíaca, parametrizado por um genótipo $\gamma$ que controla:

   • Hiperparâmetros Estruturais: Tamanhos de filtro ($fl$), tamanhos de kernel ($kn$) e número de camadas ($ns$).
   • Módulos Avançados: Mecanismos de atenção (squeeze-excitation, auto-atenção), estratégias de fusão/agregação (adição, concatenação, soma ponderada) e funções de ativação (ReLU, ELU, Tanh, Sigmoid).
   • Regularização e Escalonamento: Taxas de dropout ($dp$) e um fator de escalonamento residual contínuo ($\alpha$) aplicado às conexões de salto.
   • Entrada: Fatias normalizadas de RM cardíaca de tamanho fixo ($128 \times 128$).

2. Processo de Busca Evolutiva:
   O framework emprega um algoritmo evolutivo (Algoritmo 1) para otimizar arquiteturas:

   • Inicialização: Uma população de arquiteturas candidatas é amostrada do espaço de busca.
   • Variação: Os candidatos passam por cruzamento (troca uniforme de genes, mistura para $\alpha$ contínuo) e mutação (ressamagem de variáveis discretas ou jitter de variáveis contínuas).
   • Treinamento e Avaliação Proxy: Cada candidato é instanciado e treinado com um orçamento limitado (treinamento proxy) no conjunto de treinamento. A aptidão é avaliada em um conjunto de validação com base em uma função multiobjetivo que equilibra DSC e HD95 contra a complexidade do modelo (Parâmetros e FLOPs).
   • Seleção: Uma estratégia de substituição elitista seleciona os melhores desempenhos para formar a próxima geração, mantendo um arquivo de soluções não dominadas.

3. Consciência de Recursos:
   A busca otimiza explicitamente o trade-off entre fidelidade de segmentação e custo computacional, garantindo que a arquitetura final seja implantável dentro de orçamentos de computação fixos. O custo total da busca (incluindo todas as avaliações de candidatos) é fatorado na análise de eficiência.

Principais Contribuições
O artigo delineia três contribuições primárias:

• Supernet Consciente do Coração: Um espaço de busca especializado integrando contexto multi-escala, atenção e estratégias de fusão de salto flexíveis, projetados especificamente para atingir limites nítidos de VE/MYO/VD sob orçamentos de complexidade apertados.
• NAS Evolutivo Consciente de Recursos: Um procedimento que troca explicitamente a qualidade da segmentação (DSC/HD95) contra a complexidade do modelo (Parâmetros/FLOPs) usando treinamento proxy e seleção evolutiva, eliminando a necessidade de equilíbrio manual de projeto.
• Avaliação Abrangente: Uma análise detalhada incluindo comparações qualitativas, análises de curva de aprendizado e estudos de correlação de fatores de projeto. Essas análises esclarecem como escolhas arquitetônicas específicas (ex.: auto-atenção, fusão por soma ponderada, escalonamento residual) influenciam a fidelidade e a estabilidade dos limites.

Resultados Experimentais
O framework foi avaliado no conjunto de dados ACDC (150 casos de pacientes) e comparado contra seis métodos state-of-the-art (U-Net, nnU-Net, TransUNet, BiX-NAS, HCT-Net, M-ENAS).

• Desempenho: O CardiacNAS alcançou um DSC médio de 93,22% e um HD95 de 4,73 mm. Isso representa uma melhoria de 2,63% no DSC sobre o próximo melhor método evolutivo (M-ENAS) e uma redução de 19,2% no HD95.
• Eficiência: O modelo resultante é altamente compacto, exigindo apenas 3,58M de parâmetros e 14,56 GFLOPs.
• Custo de Busca: Todo o processo de NAS (20 gerações, 200 candidatos) exigiu apenas 0,18 dias de GPU, significativamente menor que baselines manuais e outras abordagens evolutivas.
• Significância Estatística: Testes t confirmaram que o CardiacNAS alcançou a maior pontuação estatística ($p=0,029$) em comparação com as baselines.
• Insights de Projeto: A análise de correlação revelou que módulos de auto-atenção, fusão por soma ponderada e funções de ativação sigmoidal correlacionaram-se positivamente com DSC mais alto e HD95 mais baixo. A configuração ótima incluiu um tamanho de filtro de 96, tamanho de kernel de 3, 3 camadas, dropout de 0,3 e um fator de escalonamento residual de 0,4.
• Análise Qualitativa: Comparações visuais mostraram que o CardiacNAS produziu limites endocárdicos e epicárdicos mais nítidos e reduziu o vazamento de limites do VD em comparação com concorrentes, que frequentemente exibiram sub/super-segmentação perto do septo ou erosão da cavidade.

Significância e Alegações
O artigo alega que o CardiacNAS oferece uma abordagem fundamentada e consciente de recursos para segmentação de CMR implantável. Ao acoplar uma supernet estruturada como U-Net com um espaço de busca específico para o coração e otimização evolutiva, o framework automatiza com sucesso o projeto de modelos que alcançam alta precisão sem sacrificar a eficiência computacional. Os autores enfatizam a transparência de sua abordagem, fornecendo relatórios claros de complexidade arquitetônica e orçamentos de computação. O trabalho demonstra que mecanismos de atenção buscados, estratégias de fusão e escalonamento residual são fatores críticos para melhorar a fidelidade e a estabilidade dos limites dentro de orçamentos de computação compactos.

O artigo conclui modestamente, observando que trabalhos futuros focarão em estender o framework para representações 2.5D/3D para incorporar contexto espacial através do plano, avaliar em coortes maiores multicêntricas, refinar estratégias de treinamento proxy e integrar objetivos conscientes de hardware, como latência e restrições de energia.