Loss auxiliaire de Distance Map pour la segmentation de tumeurs cérébrales

Résumé

Ce projet a démarré avec une idée simple : les losses auxiliaires de type distance map ont amélioré la segmentation sur d'autres tâches médicales (organes abdominaux, foie, atrium cardiaque — Ma MIDL 2020 ; Xue AAAI 2020), la même approche devrait aider sur BraTS 2023 GLI. L'histoire qui s'est écrite s'est avérée plus intéressante que prévu — le vrai gain n'est pas là où on l'attendait, et il ne vient pas de la tête SDT elle-même.

Le présent travail ré-évalue l'usage d'une loss auxiliaire de Signed Distance Transform (SDT) au-dessus de MedNeXt-B / nnU-Net v2 pour la segmentation 3D de tumeurs cérébrales sur BraTS 2023 GLI, sous le jeu complet des métriques officielles BraTS-2023 (implémentation de référence du challenge). Sur les critères primaires pré-spécifiés — Dice et HD95 lesion-wise, les deux métriques de classement officielles, corrigées Holm — la tête SDT n'a aucun effet significatif (Dice lesion-wise Δ = −0,003, Holm p = 1,0 ; HD95 lesion-wise Δ = +1,12 mm, Holm p = 1,0) et reste neutre en Dice régional (Δ = +0,001, p = 0,24). Le gain Dice annoncé à budget d'entraînement réduit ne survit pas à la convergence (300 epochs, CV 5-fold, n = 1196). Le seul effet robuste de la tête SDT est un déplacement orienté rappel : sensibilité en hausse (Δ = +0,002, p = 2,0 × 10⁻⁹), spécificité en baisse — dont la signature topologique est l'apparition de composantes connexes isolées fallacieuses (« fragments »), surtout sur NCR et ED.

On exploite ce compromis par un filtre de consensus au niveau des composantes connexes (CC-consensus filter), sans paramètre : pour chaque classe, on ne conserve une composante DistMap que si un second modèle (Baseline) la corrobore. Sur 1196 patients en CV 5-fold, le filtre supprime ~41 % des lésions fallacieuses (FP lésions 0,396 → 0,234 par cas) à coût de rappel négligeable, et c'est la seule configuration évaluée ici à battre significativement la baseline sur les deux métriques de classement officielles : Dice lesion-wise +0,024 (Holm p = 4,5 × 10⁻¹⁶) et HD95 lesion-wise −9,49 mm (Holm p = 5,7 × 10⁻²⁶). Honnêteté : une part de ce gain HD95 vient de la pénalité officielle de 374 mm que la métrique impose par lésion fallacieuse. Sur les distances legacy par classe (medpy), seul HD95 NCR s'améliore (4,86 → 4,48 mm, p = 5,7 × 10⁻¹⁴) ; les HD95 régionaux WT/TC/ET restent tous non significatifs.

1. Introduction

La segmentation de tumeurs cérébrales sur IRM multi-modalités (challenge BraTS) est dominée ces dernières années par des dérivés de nnU-Net. Les équipes les plus performantes raffinent le backbone (MedNeXt, Swin-UNETR) tout en laissant la loss d'entraînement quasi inchangée : Dice + cross-entropy. En parallèle, la régression auxiliaire de distance maps est régulièrement proposée pour rendre le réseau sensible à la forme, avec des résultats empiriques mitigés.

2. Travaux connexes

L'idée de combiner une supervision de forme par distance avec la segmentation BraTS n'est pas nouvelle. Huang et al. (2021) entraînent un V-Net avec deux décodeurs parallèles (segmentation + distance non-signée) sur BraTS 2018-2020. Pham et al. (2024, SiNGR) proposent une régression géodésique normalisée signée qui remplace la sortie de segmentation. Le présent travail diffère par une tête auxiliaire légère (Conv3d+tanh, MSE) sur SDT signé euclidien, avec MedNeXt-B + nnU-Net v2 sur BraTS 2023 GLI.

3. Méthodes

Backbone : MedNeXt-B (Roy MICCAI 2023) ré-implémenté dans nnU-Net v2 avec le plan nnUNetPlans_96GB_mednext (patch 128³, BS 2, BF16, RTX PRO 6000). Tâche auxiliaire SDT : tête Conv3d(32→3) + tanh, loss MSE sur la SDT signée par classe (NCR / Edema / ET), λ = 1. Filtre CC-consensus : à partir de la prédiction DistMap, pour chaque classe, supprimer toute composante connexe (26-connectivité) dont le masque même-classe n'a aucun voxel commun avec la prédiction Baseline.

4. Données et évaluation

BraTS 2023 GLI : 1251 patients adulte glioma, 4 modalités (T1, T1ce, T2, FLAIR). 1196 patients utilisés en cross-validation 5-fold (les 55 restants ont des problèmes de format ou des labels incohérents). Métriques officielles BraTS-2023 (implémentation de référence du challenge) : Dice et HD95 lesion-wise — les deux métriques de classement officielles, constituant le critère primaire pré-spécifié (corrigé Holm) — plus Dice régional legacy (WT, TC, ET), HD95 par classe (medpy : NCR, Edema, ET), sensibilité / spécificité, comptes de lésions FP/FN, et comptage de fragments topologiques (CC − 1 par classe, sans seuil de taille).

5. Résultats

5.1 SDT nulle sur les métriques de classement officielles

Sous les métriques officielles BraTS-2023 (implémentation de référence du challenge), la tête SDT n'a aucun effet significatif sur les critères primaires pré-spécifiés : Dice lesion-wise Δ = −0,003 (Holm p = 1,0) et HD95 lesion-wise Δ = +1,12 mm (Holm p = 1,0). Elle est aussi neutre en Dice régional (Δ = +0,001, p = 0,24). Les comparaisons initiales à budget court (10 epochs) laissaient espérer un gain Dice notable (+0,74 pp), mais à 300 epochs sur la CV 5-fold complète (1196 patients) ce delta ne survit pas à la convergence. Le seul effet robuste de la tête SDT est un déplacement orienté rappel : sensibilité en hausse sur les 3 régions (Δ = +0,002, p = 2,0 × 10⁻⁹) et moins de lésions manquées, au prix d'une perte de spécificité (p = 1,2 × 10⁻¹⁴) — c'est-à-dire davantage de fragments fallacieux. On recadre donc la tête SDT comme un régularisateur de frontière orienté rappel, pas un booster de Dice.

5.3 Le CC-consensus bat la baseline en lesion-wise

C'est la conclusion centrale. En ne conservant que les composantes DistMap corroborées par un second modèle, le filtre CC-consensus est la seule configuration évaluée ici à battre significativement la baseline sur les deux métriques de classement officielles : Dice lesion-wise +0,024 (Holm p = 4,5 × 10⁻¹⁶) et HD95 lesion-wise −9,49 mm (Holm p = 5,7 × 10⁻²⁶). Mécaniquement, il supprime ~41 % des lésions fallacieuses de Baseline (FP lésions 0,396 → 0,234 par cas, p = 6,0 × 10⁻³⁴) à coût de rappel négligeable. Honnêteté : une large part du gain HD95 lesion-wise vient de ce que la métrique officielle pénalise chaque lésion fallacieuse de 374 mm — on l'énonce explicitement plutôt que d'impliquer un gain de précision de frontière sur les vraies lésions ; le gain Dice lesion-wise (+0,024), lui, est un gain de détection authentique.

Sur le recouvrement régional, ce nettoyage lésionnel est par construction invisible : Baseline 0,9078, DistMap 0,9088, CC-Consensus 0,9090 (différences dans le bruit). La seule trace per-class est sur HD95 NCR — la classe où les fragments prolifèrent — que CC-Consensus réduit de 4,86 → 4,48 mm (medpy, p = 5,7 × 10⁻¹⁴) ; les HD95 régionaux WT/TC/ET restent tous non significatifs.

5.4 Plafond Dice régional saturé sans softmax

Cette analyse porte spécifiquement sur le Dice de recouvrement régional et ne borne pas le gain lesion-wise officiel établi en 5.3 (lequel récompense la suppression de lésions fallacieuses, invisible au Dice régional). Sur ce Dice régional, l'oracle patient-level atteint 0,9131 et l'oracle per-class 0,9139 — soit +0,005 au-dessus du défaut CC-consensus. Aucun des 4 classifieurs (RandomForest, XGBoost, MLP, Logistic Regression) entraînés sur 31 features morphologiques + accord inter-modèles ne dépasse robustement la règle CC-consensus par défaut en cross-validation. Ce gap résiduel de 0,005 Dice nécessiterait l'accès aux probabilités softmax voxel-niveau ou la diversité architecturale (ensembling cross-model), motivant l'orientation Paper 2 vers une loss d'entraînement pénalisant les fragments inexistants.

6. Discussion

La tâche SDT régresse, par voxel, une distance signée à la frontière la plus proche. Elle récompense donc le réseau pour des frontières nettes et métriquement précises. Une hypothèse de travail (non vérifiée directement) : cette même pression sensibilise le réseau à de petits signaux frontaliers dans des tissus de transition (interfaces œdème–substance blanche, cavités post-chirurgicales, NCR hétérogène), produisant des voxels à forte réponse SDT qui survivent occasionnellement à l'argmax sous forme de blobs isolés.

7. Conclusion

Le papier qu'on voulait écrire au départ était « DistMap améliore le Dice sur BraTS ». Celui qui a fini par s'écrire est plus intéressant : sous les métriques officielles BraTS-2023, la tête SDT est nulle sur le classement (Dice et HD95 lesion-wise, Holm p = 1,0) ; son seul effet robuste est un déplacement orienté rappel dont la signature topologique est un artefact de fragments fallacieux ; et une règle post-hoc simple, le CC-consensus, transforme ce compromis en la seule configuration qui bat la baseline sur les deux métriques de classement officielles (Dice lesion-wise +0,024 ; HD95 lesion-wise −9,49 mm).

Remerciements

L'auteur remercie Stanislas Larnier pour ses conseils méthodologiques, ses retours sur la formulation des questions de recherche, et ses relectures attentives des versions successives de ce papier.

Code, données et modèles

Tout le travail est public et réutilisable. Les checkpoints des modèles entraînés sont disponibles sur Hugging Face, le code et les données dérivées sur GitHub, et l'archive citable avec DOI sur Zenodo.

• Modèles entraînés (Hugging Face) : MedNeXt-B Baseline · MedNeXt-B + DistMap (5 folds CV chacun, poids safetensors)
• Code + données (GitHub) : guillaume-cassez/brats-moe-distmap-fusion-1
• Archive citable (Zenodo) : 10.5281/zenodo.19695263 (DOI conceptuel, pointe toujours vers la dernière version — dernière version : v7 (2026-06-16))

5.2 DistMap produit des fragments fallacieux

Cliquez une figure pour ouvrir cette vue exacte dans le viewer 3D

Références

1. Isensee F. et al. (2021). nnU-Net : a self-configuring method for deep learning-based biomedical image segmentation. Nature Methods 18, 203–211.
2. Roy S. et al. (2023). MedNeXt : transformer-driven scaling of ConvNets for medical image segmentation. MICCAI 2023, LNCS 14222.
3. Ma J. (2020). Distance transform maps improve semantic segmentation of medical images. MIDL 2020.
4. Xue Y. et al. (2020). Shape-aware organ segmentation by predicting signed distance maps. AAAI 2020.
5. Karimi D., Salcudean S. E. (2020). Reducing the Hausdorff distance in medical image segmentation. IEEE TMI 39(2), 499–513.
6. Huang Q. et al. (2021). A deep multi-task learning framework for brain tumor segmentation. Frontiers in Oncology 11, 690244.
7. Pham T.-D. et al. (2024). SiNGR : Brain tumor segmentation via signed normalized geodesic transform regression. MICCAI 2024.
8. Ferreira A. et al. (2024). How we won BraTS 2023 adult glioma challenge ? arXiv:2402.17317.