EPRA U-Net: An Efficient Pyramid Residual Attention Framework for Accurate Infarct Segmentation in Diffusion-Weighted MRI

Resumo Técnico: EPRA U-Net para Segmentação de Infarto em RM DWI

Definição do Problema
A segmentação precisa de infartos isquêmicos agudos em Ressonância Magnética de Imagem Ponderada em Difusão (DWI) é crítica para o manejo do acidente vascular cerebral (AVC), quantificação de lesões e determinação da elegibilidade para tratamento (ex: trombolise). No entanto, esta tarefa apresenta desafios significentes:

• Desequilíbrio de Classes: As lesões de infarto ocupam uma pequena fração do volume da imagem (taxa de fatias positivas de 14,7% no conjunto de dados do estudo), levando a modelos que podem negligenciar pequenas lesões.
• Ambiguidade de Fronteira: As fronteiras das lesões frequentemente carecem de delineamento claro, e a heterogeneidade do sinal complica a detecção.
• Assimetria de Custo Clínico: Na prática clínica, um falso negativo (perder uma lesão) acarreta um custo maior do que um falso positivo, pois lesões perdidas podem levar ao atraso no tratamento ou avaliações prognósticas incorretas.
• Limitações de Modelos Existentes: U-Nets padrão podem transferir ruído de baixo nível; modelos baseados em Transformers (ex: TransUNet) podem ser computacionalmente intensivos e propensos ao overfitting em conjuntos de dados menores e de centro único; e modelos 3D frequentemente incorrem em custos computacionais proibitivos.

Metodologia
Os autores propõem a EPRA U-Net (Efficient Pyramid Residual Attention U-Net), uma arquitetura de aprendizado profundo híbrida projetada especificamente para abordar os desafios mencionados. O modelo utiliza uma estratégia de entrada 2.5D, empilhando a fatia alvo de DWI com suas fatias adjacentes para capturar o contexto entre fatias, mantendo a eficiência computacional das convoluções 2D.

A arquitetura integra quatro componentes principais:

1. Encoder EfficientNet-B0: Serve como o extrator de características hierárquicas. Ele emprega uma estratégia de escalonamento composto (equilibrando profundidade, largura e resolução) e módulos Squeeze-and-Excitation (SE) para extrair características de forma eficiente com uma contagem reduzida de parâmetros em comparação com encoders baseados em ResNet.
2. Blocos Residual-Recorrentes (R2): Integrados ao caminho do encoder-decoder, estes blocos combinam conexões residuais com operações convolucionais recorrentes (desdobramento passo $t=2$). Este design visa melhorar a modelagem de dependência espacial e a propagação de características, particularmente para lesões complexas e pequenas.
3. Atrous Spatial Pyramid Pooling (ASPP): Localizado na ponte entre o encoder e o decoder, o ASPP utiliza convoluções dilatadas paralelas com diferentes taxas de dilatação (1, 6, 12, 18) para expandir o campo receptivo. Isso permite que o modelo capture informações contextuais de múltiplas escalas, acomodando lesões de diversos tamanhos.
4. Mecanismo de Atenção Dupla: Um módulo de atenção de posição e canal paralelo é aplicado às conexões de salto (skip connections). Este mecanismo destaca ativações relacionadas à lesão enquanto suprime respostas de fundo estranhas, abordando a alta prevalência de fatias negativas (não-infarto).

Função de Perda e Estratégia de Treinamento
Para abordar o imperativo clínico de minimizar lesões perdidas, o modelo é otimizado usando a função de perda Tversky com parâmetros $\alpha = 0,4$ e $\beta = 0,6$. Esta configuração penaliza explicitamente os falsos negativos de forma mais pesada do que os falsos positivos, deslocando o foco da otimização para uma maior revocação (recall/sensibilidade). O modelo foi treinado em um conjunto de dados de 167 pacientes (4.895 fatias) com uma divisão estratificada por paciente (70% treinamento, 15% validação, 15% teste) para evitar vazamento de dados (data leakage).

Principais Contribuições
O artigo identifica quatro contribuições primárias:

1. Curadoria de Dados: Criação de um conjunto de dados de centro único, clinicamente realista, de 167 pacientes com 4.895 fatias de DWI anotadas, preservando o desequilíbrio natural de classes (taxa de positividade de 14,7%).
2. Arquitetura Inovadora: Introdução da EPRA U-Net, um modelo híbrido principiado que combina codificação EfficientNet, modelagem espacial R2, contexto multi-escala ASPP e mecanismos de atenção dupla.
3. Otimização Motivada Clinicamente: Aplicação de uma configuração específica de perda Tversky ($\beta > \alpha$) para alinhar o objetivo de treinamento com a necessidade clínica de reduzir falsos negativos.
4. Validação Rigorosa: Implementação de um framework estatístico abrangente incluindo análises não paramétricas (Wilcoxon signed-rank), paramétricas (teste t pareado), de nível de pixel (teste de McNemar) e baseadas em reamostragem (intervalos de confiança de bootstrap), juntamente com estimativa de tamanho de efeito.

Resultados Experimentais
A EPRA U-Net foi avaliada contra baselines de última geração: UNet++, DeepLabV3+, TransUNet e nnU-Net (2D).

• Métricas de Desempenho: A EPRA U-Net alcançou um escore Dice agregado por pixel de 0,8984, um Dice por amostra de 0,9469, um IoU de 0,8155 e uma Revocação (Recall) de 0,8887. Atingiu o maior escore F1 de Lesão (0,9378) e o menor HD95 mediana (2,00 px, média 11,62 px) entre as arquiteturas customizadas.
• Detecção de Lesões: O modelo demonstrou uma redução significativa de lesões perdidas em comparação com os baselines: 29% menos perdas que o TransUNet, 25% menos que o DeepLabV3+ e 16% menos que o UNet++.
• Comparação com nnU-Net: Embora o nnU-Net tenha alcançado um escore Dice comparável (0,8997) e um HD95 médio ligeiramente menor (7,98 px vs. 11,62 px), a EPRA U-Net alcançou maior revocação (0,8887 vs. 0,8798) e substancialmente menos detecções de lesão falso-positivas (32 vs. 69).
• Eficiência: A EPRA U-Net é significativamente mais eficiente que o nnU-Net, exigindo aproximadamente 131,7 minutos para treinamento por fold em comparação aos 848 minutos do nnU-Net, ofereção um tempo de inferência mais rápido (33,97 ms/fatia vs. 598,5 ms/fatia).
• Significância Estatística: Testes estatísticos pareados (Wilcoxon e teste t) confirmaram que as melhorias de desempenho da EPRA U-Net sobre os baselines foram estatisticamente significativas ($p < 0,05$), apesar dos pequenos tamanhos de efeito de Cohen's d atribuídos ao alto desempenho de base de todos os modelos (efeito de teto).

Significância e Alegações
O artigo afirma que a EPRA U-Net fornece uma fundação mais robusta e precisa para a segmentação de infarto na prática clínica. A significância do trabalho reside em:

• Alinhamento Clínico: Ao priorizar a revocação através da perda Tversky, o modelo reduz o risco de subsegmentação, o que é crítico para determinar a elegibilidade de tratamento em AVC agudo.
• Desempenho Equilibrado: A arquitetura alcança alta precisão sem o overhead computacional de grandes modelos Transformer ou redes 3D, tornando-a adequada para implantação em hardware clínico padrão.
• Validação Abrangente: O estudo vai além do simples relato de métricas ao empregar um esquema de validação estatística multicamadas para garantir a confiabilidade das melhorias observadas.
• Insights de Ablação: O estudo de ablação confirma que cada componente (ASPP para delineamento de fronteira, R2 para continuidade espacial, Atenção Dupla para supressão de fundo e perda Tversky para sensibilidade) contribui distintivamente para resolver os desafios específicos da segmentação de infarto em DWI.

Os autores concluem que, embora o conjunto de dados seja de centro único e o modelo utilize entradas 2.5D, o framework proposto aborda efetivamente os compromissos entre precisão, custo computacional e relevância clínica no diagnóstico de AVC.