Deep learning for 3D Airway tree segmentation in bronchiectasis: a region-wise and morphology-aware framework

Bronchiectasis is a chronic respiratory disease characterized by irreversible airway dilatation and structural heterogeneity, requiring accurate quantification of bronchial morphology. Automated segmentation of airway trees from computed tomography (CT) is challenging due to class imbalances between airway and background voxels, morphological variability, and incomplete ground truth annotations. This thesis addresses these challenges through three main contributions: (i) creation of a segmentation dataset with 3D airway tree annotations in bronchiectasis patients, (ii) development of a region-wise and morphology-aware deep learning framework for airway segmentation and (iii) proposal of a new evaluation metric, termed "remains analysis" that accounts for plausible distal branches absent from the groundtruth. The proposed model builds upon a 3D U-Net architecture with optional residual, dense, dilated, and attention modules. To mitigate intra-class imbalance, a region-specific training strategy was employed, training dedicated models for whole, left and right subregions, which were later merged at inference. A morphology head was added as an auxiliary task, trained on bronchiectasic phenotypes (cylindrical, varicose, cystic). Training employed a hybrid loss combining Dice and weighted Binary Cross-Entropy, extended with deep supervision and morphology-specific terms. Hyperparameters and architectural feature combinations were selected via Bayesian optimization. Evaluation on the public BAS90 dataset showed an increase in mean Dice from 82.03% ± 9.82% to 84.70% ± 1.59% on airway tree segmentation when training on the new bronchiectasis dataset utilizing the morphology head. Additionally, the connected component analysis improved metrics (Dice +0.61% ± 1.0%, Jaccard: +0.60% ± 0.70%, Precision: +1.15% ± 0.7%, AHD: –0.270 ± 0.847 voxels), while the remains analysis revealed that many false positives were anatomically plausible distal branches. Results showed better performance in cylindrical cases with challenges in cystic phenotypes. This thesis concludes that region-wise training, morphology-aware multitask learning, and topology-sensitive evaluation substantially enhance the robustness of airway tree segmentation.

La bronchiectasia è una malattia respiratoria cronica caratterizzata da dilatazione irreversibile delle vie aeree e eterogeneità strutturale, che richiede un'accurata quantificazione della morfologia bronchiale. La segmentazione automatizzata degli alberi delle vie aeree dalla tomografia computerizzata (TC) è difficile a causa degli squilibri di classe tra i voxel delle vie aeree e quelli di sfondo, della variabilità morfologica e delle annotazioni incomplete della verità di base. Questa tesi affronta queste sfide attraverso tre contributi principali: (i) creazione di un set di dati di segmentazione con annotazioni 3D dell'albero delle vie aeree in pazienti affetti da bronchiectasia, (ii) sviluppo di un framework di deep learning basato sulla regione e sensibile alla morfologia per la segmentazione delle vie aeree e (iii) proposta di una nuova metrica di valutazione, denominata “analisi dei resti”, che tiene conto dei rami distali plausibili assenti dalla verità di base. Il modello proposto si basa su un'architettura 3D U-Net con moduli opzionali residui, densi, dilatati e di attenzione. Per mitigare lo squilibrio intraclasse, è stata impiegata una strategia di addestramento specifica per regione, addestrando modelli dedicati per le sottoregioni intera, sinistra e destra, che sono state successivamente unite durante l'inferenza. È stata aggiunta una testa morfologica come attività ausiliaria, addestrata su fenotipi bronchiectasici (cilindrici, varicosi, cistici). L'addestramento ha impiegato una perdita ibrida che combina Dice e Binary Cross-Entropy ponderata, estesa con supervisione profonda e termini specifici della morfologia. Gli iperparametri e le combinazioni di caratteristiche architettoniche sono stati selezionati tramite ottimizzazione bayesiana. La valutazione sul set di dati pubblico BAS90 ha mostrato un aumento del Dice medio dall'82,03% ± 9,82% all'84,70% ± 1,59% nella segmentazione dell'albero bronchiale durante l'addestramento sul nuovo set di dati sulla bronchiectasia utilizzando la testa morfologica. Inoltre, l'analisi dei componenti connessi ha migliorato le metriche (Dice +0,61% ± 1,0%, Jaccard: +0,60% ± 0,70%, Precisione: +1,15% ± 0,7%, AHD: –0,270 ± 0,847 voxel), mentre l'analisi dei residui ha rivelato che molti falsi positivi erano rami distali anatomicamente plausibili. I risultati hanno mostrato prestazioni migliori nei casi cilindrici con difficoltà nei fenotipi cistici. Questa tesi conclude che l'addestramento per regione, l'apprendimento multitasking sensibile alla morfologia e la valutazione sensibile alla topologia migliorano sostanzialmente la robustezza della segmentazione dell'albero delle vie aeree.