Resumo Técnico: Investigando os Sinais Visuais de CNNs para Segmentação Vascular

Declaração do Problema

A segmentação de vasos sanguíneos é um procedimento crítico para o diagnóstico de condições que variam desde a retinopatia diabética até doenças neurodegenerativas. No entanto, as Redes Neurais Convolucionais (CNNs) utilizadas para esta tarefa são frequentemente tratadas como "caixas pretas", carecendo de transparência em relação aos sinais visuais específicos que impulsionam suas decisões. Embora as CNNs alcancem alta precisidade, permanece incerto se elas dependem da continuidade anatômica (forma global), da intensidade de pixels locais ou de padrões de textura. Essa falta de interpretabilidade dificulta a integração clínica, a depuração de modelos e a capacidade de garantir robustez contra variações de dados. Além disso, a relação entre o Campo Receptivo Efetivo (ERF) da rede e o contexto espacial necessário para capturar a geometria complexa e ramificada das árvores vasculares não é compreendida sistematicamente neste domínio.

Metodologia

Os autores conduziram uma investigação sistemática, composta por três partes, utilizando dois domínios de imagem distintos: microscopia de fluorescência (dataset VessMAP) e fotografia de fundo de olho de retina (dataset DRIVE). O estudo empregou experimentos direcionados para isolar e quantificar a influência da textura, forma e campo receptivo.

1. Quantificando a Influência da Textura e da Intensidade

Para determinar a importância relativa da intensidade versus a textura, os autores desenvolveram uma tarefa de classificação baseada em patches (fragmentos).

• Extração de Patches: Patches de $9 \times 9$ pixels foram extraídos de imagens VessMAP. Dois cenários foram testados: patches contendo apenas pixels de vasos ($f=100\%$) e patches contendo bordas de vasos com frações variáveis de pixels de vasos ($f=75\%, 50\%$).
• Perturbações: Três variações do dataset foram criadas para remover sinais específicos:
  • Normalização de Intensidade ($D_{-i}$): Os valores dos pixels foram normalizados para média zero e desvio padrão unitário, removendo a intensidade absoluta e a variância.
  • Embaralhamento de Pixels ($D_{-t}$): As posições dos pixels dentro de cada patch foram embaralhadas aleatoriamente, destruindo a textura espacial enquanto preservavam os valores de intensidade.
  • Homogeneização ($D_{-i,-t}$): Tanto a normalização quanto o embaralhamento foram aplicados.
• Avaliação: Uma rede residual simples foi treinada para classificar esses patches como vaso ou fundo.

2. Isolando Sinais de Forma

Para avaliar a capacidade de segmentar vasos baseando-se apenas na geometria, os autores criaram dois datasets onde a aparência interna do vaso foi removida:

• Dataset de Contorno ($D_c$): As imagens de entrada continham apenas os contornos dos vasos (bordas), com as intensidades originais dos pixels preservadas nos locais do contorno.
• Dataset de Linha Central ($D_s$): As imagens de entrada continham apenas as linhas centrais dos vasos, com as intensidades originais preservadas nesses pontos.
• Avaliação: Arquiteturas U-Net e W-Net foram treinadas para prever máscaras de segmentação completas a partir desses inputs esparsos de forma.

3. Analisando os Requisitos do Campo Receptivo (RF)

O estudo examinou a relação entre a arquitetura do modelo, o tamanho do campo receptivo e o desempenho usando duas abordagens:

• Variação Arquitetural: 160 configurações de U-Net foram treinadas com tamanhos de kernel variados ($1, 3, 5, 7$), razões de dilatação ($2, 3, 7$) e estratégias de downsampling. O Campo Receptivo Teórico (TRF) e o Campo Receptivo Efetivo (ERF) foram medidos para cada uma.
• Restrição de Contexto: O modelo base foi treinado em patches não sobrepostos de tamanhos variados ($4 \times 4$ a $512 \times 512$) para determinar o contexto mínimo necessário para o desempenho ideal.

Principais Resultados

Textura vs. Intensidade

• Dominância da Intensidade: Descobriu-se que a intensidade do pixel é mais crítica do que a textura local. Remover a informação de intensidade ($D_{-i}$) causou uma queda de precisão maior do que remover a textura via embaralhamento ($D_{-t}$).
• Robustez à Perturbação: Surpreendentemente, mesmo quando ambos os sinais de intensidade e textura foram removidos (Dataset Homogeneizado $D_{-i,-t}$), as redes mantiveram a precisão de classificação acima de 75%, sugerindo que elas utilizam outros recursos estatísticos não explicitamente analisados.
• Papel das Bordas: Incluir bordas de vasos nos patches melhorou significativamente a precisão da classificação, indicando que o contexto de borda local é um sinal forte.

Sinais de Forma

• Insuficiência da Forma Isolada: As CNNs falharam em reconstruir a geometria completa dos vasos de forma confiável a partir de sinais de forma.
  • Usando contornos ($D_c$), o melhor modelo (W-Net) alcançou um Dice score de 54,4%.
  • Usando linhas centrais ($D_s$), o melhor modelo (U-Net) alcançou um Dice score de 57,0%.
  • Em contraste, modelos treinados com dados completos alcançaram ~90% de Dice.
• Sobresegmentação: Modelos que dependem exclusivamente de sinais de forma exibiram alta sensibilidade, mas baixíssima especificidade (ex: 12% de especificidade para U-Net em $D_c$), levando a uma sobresegmentação significativa. Isso indica que as CNNs atuais não conseguem extrapolar o calibre do vaso a partir da geometria da borda sem informações de aparência interna.

Campo Receptivo e Contexto

• Saturação do ERF: O Campo Receptivo Efetivo (ERF) utilizado pelas redes convergiu para aproximadamente 20 pixels para as tarefas consideradas.
• Tamanho do Kernel: O desempenho aumentou com o tamanho médio do kernel, mas estabilizou em torno de um tamanho de kernel médio de 3 ($3 \times 3$ kernels). Kernels maiores não trouxeram ganhos significativos, sugerindo que o ERF não se expande para utilizar todo o campo teórico quando não é necessário.
• Tamanho do Patch:
  • Para VessMAP (microscopia), o desempenho saturou em um tamanho de patch de $32 \times 32$, indicando que o contexto local é suficiente.
  • Para DRIVE (fundo de olho), o desempenho não saturou dentro do intervalo testado, sugerindo um benefício modesto de contextos globais maiores, provavelmente devido à presença de marcos anatômicos globais (ex: disco óptico).

Significância e Alegações

O artigo afirma fornecer uma base quantitativa para auditar e refinar sistemas de aprendizagem profunda em imagem vascular. Suas principais contribuições são:

1. Template de Diagnóstico: A metodologia oferece uma abordagem estruturada para separar as influências de forma, textura e contexto nas decisões do modelo.
2. Evidência Empírica sobre RF: A descoberta de que o ERF satura em ~20 pixels sugere que CNNs leves e eficientes podem ser adaptadas para a delineação local de vasos sem o custo computacional de redes excessivamente profundas ou mecanismos de atenção global (como Transformers).
3. Roteiro de Interpretabilidade: Os resultados destacam que os modelos dependem fortemente de intensidade e textura locais, em vez de extrapolação de forma global. Esse insight é proposto como base para o desenvolvimento de frameworks de IA Explicável (XAI) que possam atribuir decisões a sinais específicos (intensidade vs. forma), ajudando clínicos a determinar se um modelo está identificando vasos com base na anatomia ou sendo induzido ao erro por artefatos locais.

Os autores permanecem modestos, reconhecendo que estas descobertas são observações empíricas derivadas de datasets específicos (VessMAP, DRIVE) e arquiteturas (variantes de U-Net), e podem não representar propriedades universais de todas as redes neurais através de todas as modalidades médicas.