Structure-Guided Self-Supervised Matching for One-Shot Medical Landmark Detection

Resumen Técnico: Emparejamiento Auto-supervisado Guiado por la Estructura para la Detección de Puntos de Referencia Médicos de Un Solo Disparo (One-Shot)

Planteamiento del Problema
La detección de puntos de referencia médicos es crítica para aplicaciones clínicas como el análisis cefalométrico, la evaluación de la madurez esquelética y la planificación quirúrgica. Sin embargo, los métodos de aprendizaje profundo totalmente supervisados requieren anotaciones densas y expertas, las cuales son laboriosas, dependen del observador y difíciles de escalar a través de diversas regiones anatómicas. Aunque existen enfoques semi-supervisados, estos suelen depender de una cantidad no trivial de datos etiquetados para entrenar un detector inicial. Este artículo aborda el escenario de eficiencia extrema de anotación de la detección de puntos de referencia médicos de un solo disparo (one-shot), donde el objetivo es localizar puntos de referencia en imágenes objetivo utilizando únicamente una única imagen de plantilla anotada. Los métodos de un solo disparo existentes suelen depender del aprendizaje de correspondencia auto-supervisado, pero están limitados por objetivos de contraste carentes de estructura (structure-agnostic). El aprendizaje contrastivo estándar trata a todos los candidatos negativos por igual, fallando al no distinguir entre negativos anatómicamente plausibles (por ejemplo, puntos cercanos en la misma estructura) e implausibles (por ejemplo, puntos en texturas repetidas irrelevantes), lo que genera representaciones de características confusas.

Metodología: SGB-MATCH
Los autores proponen SGB-MATCH, un marco de emparejamiento auto-supervisado de grano grueso a fino guiado por la estructura. El método consta de tres componentes principales:

1. Sesgo Guiado por la Estructura (SGB) para el Aprendizaje Contrastivo:
   En lugar de penalizar a todos los candidatos negativos con una formulación softmax genérica, los autores introducen un término de sesgo específico para cada candidato en el objetivo contrastivo. Este sesgo se construye a partir de dos pistas complementarias:

   • Término sensible a la distancia: Asigna un mayor sesgo a los candidatos más alejados del punto positivo.
   • Término sensible a los bordes: Penaliza a los candidatos que no se encuentran en los límites anatómicos (bordes).

   Matemáticamente, el sesgo $B_i(q, p_i)$ se añade al logit contrastivo. Esto resulta en un mecanismo de reponderación de gradientes donde:

   • Los candidatos cercanos y relevantes para la estructura (cercanos al punto positivo y sobre los bordes) reciben una repulsión débil, preservando el contexto anatómico local.
   • Los candidatos distantes o irrelevantes para la estructura (lejanos o fuera de la estructura) reciben una supresión fuerte mediante gradientes exponencialmente mayores.

   Esto guía al codificador para aprender espacios de características que respetan la geometría anatómica en lugar de similitudes de textura arbitrarias.

2. Estrategia de Refinamiento de Global a Local:
   El marco emplea un proceso de inferencia de dos etapas para manejar tanto las variaciones anatómicas de largo alcance como las ambigüedades locales:

   • Etapa Global: Un codificador global procesa imágenes completas redimensionadas para aprender la correspondencia de largo alcance y producir una localización aproximada del punto de referencia. Esta predicción sirve únicamente como ancla de recorte y prioridad de muestreo, no como una pseudo-etiqueta de verdad de campo (ground-truth).
   • Etapa Local: Un codificador local opera en regiones recortadas centradas alrededor de la predicción aproximada. Este refina la localización utilizando evidencia estructural local y el mismo objetivo de sesgo guiado por la estructura.

3. Pipeline de Inferencia:
   Durante la inferencia, un único punto de referencia de la plantilla anotada se empareja con la imagen objetivo mediante el codificador global para obtener una ubicación aproximada. El codificador local realiza entonces un emparejamiento de grano fino dentro de la región recortada para ofrecer la predicción final.

Contribuciones Clave

• Formulación: El artículo formula la detección de puntos de referencia médicos de un solo disparo como un aprendizaje de correspondencia anatómica guiado por la estructura, yendo más allá del emparejamiento de píxeles genérico.
• Algoritmo: La introducción del Sesgo Guiado por la Estructura (SGB) para el emparejamiento denso auto-supervisado. A diferencia de los objetivos contrastivos estándar, el SGB repondera los gradientes negativos basándose en la distancia anatómica y la relevancia del borde, preservando eficazmente los candidatos cercanos relevantes para la estructura mientras se suprimen los negativos implausibles.
• Dataset: La contribución de BMPLE, un nuevo conjunto de datos de radiografías de extremidades inferiores que contiene 190 radiografías con 20 puntos de referencia clínicamente definidos para la medición de parámetros biomecánicos (por ejemplo, la evaluación de deformidades en varo/valgo).
• Marco de Trabajo: La propuesta de SGB-MATCH, un marco de emparejamiento de global a local validado en cuatro entornos de referencia radiológicos en 2D.

Resultados Experimentales
El método fue evaluado en cuatro conjuntos de datos: Radiografía Cefalométrica (Cabeza), Radiografía de Mano, Radiografía de Tórax y el nuevo conjunto de datos BMPLE (Pierna).

• Rendimiento: SGB-MATCH logra un rendimiento de un solo disparo (one-shot) de vanguardia (SOTA) en los cuatro conjuntos de datos.
  • En el conjunto de datos de Cabeza, logra un MRE de 1.77 mm, superando a otros métodos de un solo disparo (por ejemplo, SAM, FM-OSD) y alcanzando la precisión de los métodos clásicos totalmente supervisados entrenados con 150 imágenes.
  • En el conjunto de datos de Mano, logra un MRE de 1.18 mm, el mejor resultado de un solo disparo reportado.
  • En los conjuntos de datos de Tórax y Pierna, donde los puntos de referencia suelen situarse en bordes repetidos, el diseño de global a local reduce significamente el MRE (por ejemplo, el MRE de la Pierna se redujo de 3.14 mm a 2.79 mm tras el refinamiento), acercándose al rendimiento de las líneas base totalmente supervisadas.
• Estudios de Ablación:
  • Eliminar el sesgo guiado por la estructura resulta en el rendimiento más débil.
  • Añadir solo el sesgo de distancia mejora los resultados, pero el sesgo completo (incluyendo la conciencia de los bordes) proporciona mejoras adicionales, particularmente en conjuntos de datos con estructuras repetidas (Tórax, Pierna).
  • La etapa de refinamiento local mejora consistentemente la predicción global aproximada, confirmando su utilidad para resolver la ambigüedad local sin requerir el entrenamiento de pseudo-etiquetas.

Significado y Reivindicaciones
El artículo afirma que SGB-MATCH demuestra que la correspondencia densa auto-supervisada, cuando es guiada explícitamente por la estructura anatómica, puede cerrar sustancialmente la brecha de rendimiento entre los métodos de un solo disparo y los detectores totalmente supervisados. Al inyectar prioridades anatómicas (distancia y bordes) directamente en el objetivo contrastivo, el método aprende espacios de características que son robustos a las texturas repetidas y a las variaciones anatómicas. Los autores sostienen que este enfoque permite la localización precisa de puntos de referencia en nuevos escenarios clínicos donde solo se dispone de una única imagen de plantilla anotada, convirtiéndolo en una solución viable para tareas de imagen médica con escasez de anotaciones. Se sugiere como trabajo futuro explorar el modelado explícito de las relaciones espaciales entre puntos de referencia y extender el marco a regiones anatómicas más amplias.