Resumo Técnico: MNET++: REDES 2D/3D ESTENDIDAS PARA SEGMENTAÇÃO DE IMAGENS MÉDICAS ANISOTRÓPAS

Declaração do Problema

A segmentação de imagens médicas tridimensionais enfrenta um desafio persistente em relação ao espaçamento de voxéis anisotrópico, onde o espaçamento entre os cortes (eixo z) é significativamente maior do que a resolução no plano (eixos x e y). Isso é comum em aquisições clínicas de RM e TC. Redes Neurais Convolucionais (CNNs) 3D padrão frequentemente sofrem de overfitting em regiões de amostragem esparsa no eixo transversal, enquanto CNNs 2D falham em capturar o contexto volumétrico. Embora abordagens híbridas como U-Nets 2.5D ou o MNet original tentem reconciliar esses regimes, elas muitas vezes dependem de regras de fusão manuais ou carecem de mecanismos modernos para um raciocínio contextual de longo alcance eficiente ao longo do eixo de profundidade.

Metodologia

O estudo foca em dois objetivos primários: a reprodução fiel da arquitetura original do MNet e a introdução de extensões leves para aumentar sua adaptabilidade e eficiência.

1. Estrutura de Reprodução

Os autores reimplementaram o MNet dentro do framework nnU-Net para garantir a consistência com pipelines de pré-processamento padrão e para verificar o desempenho relatado sob restrições computacionais realistas.

• Datasets: Experimentos foram conduzidos no PROMISE12 (RM de próstata) e em um subconjunto controlado do LiTS (TC de fígado).
• Configuração: A reprodução utilizou a arquitetura MNet original (5 estágios de encoder/decoder com fluxos 2D/3D paralelos) treinada por 150 épocas usando perda de Dice e supervisão profunda (deep supervision).
• Teste de Anisotropia: Os modelos foram avaliados através de variados espaçamentos z (1 mm, 2.2/2.0 mm e 4 mm) para avaliar a robustez.

2. Extensões Propostas

Duas modificações arquiteturais específicas foram introduzidas na implementação do MNet:

• Mecanismo de Gating de Fusão (Fusion Gating):

  • Problema: O MNet original utiliza operações fixas e codificadas rigidamente (adição, subtração ou concatenação) para fundir mapas de características 2D e 3D.
  • Solução: Um módulo de Fusão por Gating aprendido substitui essas regras estáticas. Ele prevê um portão suave $g \in [0, 1]$ para interpolar entre as características 2D e 3D: $y = g \odot x_{2D} + (1-g) \odot x_{3D}$.
  • Variantes: O estudo explorou o Gating de Canal (confiança global por canal) e o Gating Espacial (mapas de confiança específicos de localização compartilhados entre canais). Isso permite que o modelo pondere adaptativamente os fluxos de características com base na qualidade local da imagem ou na severidade da anisotropia.

• Integração VMamba:

  • Problema: Convoluções 3D padrão têm dificuldade em modelar dependências de longo alcance ao longo do eixo z em exames de cortes espessos sem custo computacional excessivo.
  • Solução: Os autores integraram o VMamba (um módulo de estado recorrente) nos estágios de bottleneck (3, 4 e 5) do encoder.
  • Mecanismo: O volume de entrada é remodelado para tratar cada posição espacial $(H, W)$ como uma sequência independente ao longo da profundidade $D$. Um escaneamento seletivo no eixo z processa essas sequências com complexidade $O(D)$, capturando dependências entre cortes de forma eficiente. Isso reduz a contagem de parâmetros ao substituir convoluções 3D pesadas no bottleneck.

Principais Resultados

Validação da Reprodução

A reimplantação do MNet igualou com sucesso as tendências de desempenho do artigo original dentro da margem de reprodutibilidade aceitável ($\pm 2\text{--}3\%$):

• PROMISE: Alcançou 89.0 ± 0.9% de Coeficiente de Similaridade de Dice (DSC), a 0.8% do 89.8% original.
• LiTS: Alcançou 94.3 ± 1.9% para fígado e 54.6 ± 3.1% para segmentação de tumor. A pontuação inferior para o tumor é atribuída ao subconjunto menor de treinamento (50 casos vs. 131) e ao número reduzido de épocas de treinamento (150 vs. 500).

Desempenho das Extensões

• Gating Espacial: Melhorou o desempenho no PROMISE em +0.8% (atingindo 90.0% de DSC) com overhead de parâmetros negligenciável (<3% de custo de inferência). Demonstrou superior estabilidade sob variada anisotropia, com uma queda menor de DSC (1.5 pontos) entre o espaçamento de 1mm e 4mm em comparação com o baseline.
• VMamba: Reduziu os parâmetros do modelo de 8.77M para 7.42M. Alcançou o desempenho mais forte de segmentação de fígado no LiTS (95.8 ± 0.7% de DSC) e melhorou a consistência do desempenho, reduzindo a variação de Dice do PROMISE para ±0.7%.
• Modelo Combinado: A combinação de Gating Espacial e VMamba alcançou 95.9 ± 0.3% de DSC no fígado do LiTS, confirmando a natureza complementar da fusão adaptativa e da modelagem consciente da profundidade.

Robustez à Anisotropia

Ambas as extensões preservaram a robustez do MNet à anisotropia. Através dos espaçamentos de voxel de 1–4 mm, a variação de Dice permaneceu em aproximadamente 1.5%, demonstrando que o gating aprendido e a modelagem de estado-espaço não comprometem a capacidade da rede de lidar com espessuras de corte variáveis.

Significância e Alegações

O artigo alega três contribuições primárias:

1. Reprodutibilidade: Valida que a estratégia de fusão híbrida 2D/3D do MNet é viável e robusta sob orçamentos computacionais realistas, confirmando a premissa central do artigo original de que a representação dimensional adaptativa é a chave para a segmentação anisotrópica.
2. Fusão Adaptativa: Demonstra que substituir regras de fusão codificadas rigidamente por mecanismos de gating aprendidos permite que a rede misture dinamicamente características 2D e 3D, melhorando a precisão de bordas e a estabilidade sem overhead computacional significativo.
3. Modelagem de Longo Alcance Eficiente: Mostra que a integração de blocos VMamba pode modelar eficientamente dependências de profundidade de longo alcance em volumes anisotrópicos, aumentando a coerência de características e reduzindo a contagem de parâmetros.

Limitações e Conclusões Modestas

Os autores mantêm uma postura modesta em relação às suas descobertas:

• Restrições de Dataset: Os resultados do LiTS, particularmente para segmentação de tumor, são limitados pelo uso de um subconjunto de 50 casos e cronogramas de treinamento mais curtos. Os autores observam que o desempenho do tumor é fortemente dependente da morfologia da lesão e do volume de dados, e que o treinamento com o conjunto completo e cronogramas estendidos pode ser necessário para desbloquear maiores ganhos.
• Convergência: Embora 150 épocas tenham sido suficientes para o dataset PROMISE (onde o desempenho estabilizou entre as épocas 100–120), as curvas de perda do LiTS mostraram comportamento errático, sugerindo que treinamentos mais longos ou mais dados podem ser necessários para estruturas anatômicas complexas.
• Trabalhos Futuros: O estudo reconhece que testes adicionais são necessários para fornecer conclusões definitivas, particularmente em relação à generalização dessas extensões para outras tarefas multiclasse e ao potencial de variantes avançadas de VMamba (ex: escaneamento bidirecional) em recursos computacionais maiores.

Em resumo, o estudo confirma a reprodutibilidade do MNet e fornece evidências de que a fusão adaptativa e a atenção de estado-espaço podem fortalecer ainda mais a confiabilidade da segmentação sob condições anisotrópicas, embora conclusões definitivas sobre a segmentação de tumores exijam uma validação mais extensa.