🤖 machine learning

Evaluation of Blood Vessel Segmentation Methods on Hard-to-Detect Vascular Structures

Este artículo introduce un índice de Saliencia de Vasos Locales (LVS, por sus siglas en inglés) y una métrica de Recuerdo de Baja Saliencia media (mLSR) correspondiente para revelar que los métodos de segmentación estándar fallan sistemáticamente al detectar estructuras vasculares difíciles de detectar, proponiendo también una estrategia de aumento de datos para mejorar la sensibilidad algorítmica y preservar la conectividad vascular.

Autores originales: João Pedro Parella, Matheus Viana da Silva, Cesar Henrique Comin

Publicado 2026-07-28

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: João Pedro Parella, Matheus Viana da Silva, Cesar Henrique Comin

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio en un bosque vasto y enredado. En este bosque, los árboles son en realidad vasos sanguíneos, y tu trabajo es mapear cada una de sus ramas, desde los troncos gruesos y robustos hasta las ramitas más diminutas y casi invisibles. Este es el mundo de la segmentación de vasos sanguíneos, una tarea crucial en las imágenes médicas. Los médicos e investigadores utilizan computadoras para dibujar estos mapas para poder detectar enfermedades, medir qué tan retorcidos están los vasos o incluso simular cómo fluye la sangre a través del cuerpo.

Pero aquí está el truco: no todos los árboles en este bosque son fáciles de ver. Algunos son brillantes y llamativos contra el fondo oscuro, como letreros de neón. Otros son tenues, fantasmales y se mezclan con las sombras. Durante mucho tiempo, los científicos han utilizado una "tarjeta de puntuación" para calificar qué tan bien lo hicieron sus programas informáticos. Estas tarjetas de puntuación, sin embargo, son un poco como calificar a un estudiante basándose solo en qué tan bien respondió las preguntas fáciles. Si un programa acierta el 90% de los vasos brillantes y fáciles de ver, obtiene una puntuación alta, incluso si pasa por alto por completo los tenues y complicados. Este es un problema porque perder un vaso diminuto y tenue puede romper todo el mapa, haciendo que el bosque parezca desconectado cuando en realidad es una red continua. La gran pregunta es: ¿Cómo construimos una prueba mejor que obligue a nuestros detectives informáticos a prestar atención a las pistas más difíciles de encontrar?

Este artículo presenta una nueva forma de mirar el problema, actuando como una lupa para las partes "difíciles de ver" del mapa. Los autores, un equipo de la Universidad Federal de São Carlos, se dieron cuenta de que las pruebas estándar ocultaban un fallo importante: las computadoras eran excelentes encontrando los vasos obvios, pero terribles encontrando los tenues. Para solucionar esto, inventaron una nueva herramienta llamada índice de Saliencia de Vasos Locales (LVS, por sus siglas en inglés). Piensa en la "saliencia" como cuánto un vaso "sobresale" de su fondo. El índice LVS mide esto para cada pequeña pieza de un vaso. Si una pieza de un vaso se ve muy diferente del tejido que la rodea, tiene una saliencia alta (fácil de encontrar). Si se ve casi igual al fondo, tiene una saliencia baja (difícil de encontrar).

Usando este nuevo índice, los investigadores crearon una prueba especial llamada recuperación de media Baja-Saliencia (mLSR). En lugar de solo preguntar "¿Cuántos vasos encontraste?", esta prueba pregunta: "¿Cuántos de los vasos realmente difíciles de ver encontraste?". Sometieron a 16 programas informáticos diferentes (principalmente variaciones de un diseño de IA popular llamado U-Net) a una prueba rigurosa en seis tipos diferentes de imágenes médicas, que van desde escaneos oculares hasta angiogramas cardíacos.

Los resultados fueron una llamada de atención. Mientras que los programas parecían impresionantes en las pruebas estándar, obteniendo puntuaciones altas por su precisión general, se desmoronaron cuando los investigadores analizaron los vasos tenues. Los autores encontraron que, para los métodos con mejor desempeño, la "recuperación" estándar (cuánto del vaso fue encontrado) era de alrededor del 85% al 86%. Sin embargo, cuando cambiaron al nuevo test de mLSR para enfocarse solo en las partes difíciles y de baja saliencia, las puntuaciones cayeron drásticamente, aproximadamente 20 puntos porcentuales. En los conjuntos de datos más difíciles, como OCTA-500, los mejores métodos solo lograron encontrar alrededor del 58% de los vasos difíciles de detectar. Esto sugiere que los modelos de IA actuales están esencialmente "haciendo trampa" al depender de las partes fáciles y de alto contraste de la imagen e ignorar las partes complicadas.

El artículo también intentó enseñar una lección mejor a la IA. Los investigadores desarrollaron un truco de entrenamiento en el que hicieron que artificialmente los vasos brillantes se vieran más tenues e incluso añadieron "huecos" falsos en las líneas durante el entrenamiento. La idea era forzar a la IA a aprender cómo conectar los puntos incluso cuando las líneas son apenas visibles. Los resultados de este experimento fueron mixtos pero prometedores. Cuando la IA tenía una enorme cantidad de datos para aprender, este truco no ayudó mucho. Sin embargo, cuando los investigadores le dieron a la IA muy pocos datos para trabajar (tan pocos como 4 muestras), el truco funcionó de maravilla. En estos escenarios de "escasez de datos", el entrenamiento aumentado ayudó al modelo a mejorar su desempeño significativamente, sugiriendo que este método podría ser un salvavidas cuando los médicos no tienen muchas imágenes etiquetadas para enseñar a la computadora.

En resumen, el artículo no pretende haber resuelto el problema de encontrar cada uno de los vasos sanguíneos. En cambio, proporciona una regla nueva y más honesta para medir qué tan buenas son nuestras herramientas actuales. Revela que, si bien nuestra IA está mejorando en la detección de lo obvio, todavía tiene dificultades con los detalles sutiles y tenues que son críticos para una imagen completa. Los autores sugieren que los diseños futuros deben centrarse menos en simplemente acertar las partes fáciles y más en aprender a ver lo invisible, quizás utilizando estas nuevas herramientas de "saliencia" para guiar su entrenamiento.

Resumen Técnico: Evaluación de Métodos de Segmentación de Vasos Sanguíneos en Estructuras Vasculares de Difícil Detección

Planteamiento del Problema
La segmentación de vasos sanguíneos es crítica para el diagnóstico clínico y la investigación vascular; sin embargo, errores menores en la segmentación pueden alterar significativamente los patrones de conectividad y las mediciones morfológicas. Las métricas de evaluación estándar, como el coeficiente Dice, la precisión y la exhaustividad (recall), agregan el rendimiento a lo largo de toda una imagen. En consecuencia, estas métricas globales suelen pasar por alto las imprecisiones en regiones específicas, particularmente donde los vasos presentan un bajo contraste respecto al fondo. En tales áreas de "difícil detección", pequeñas discontinuidades pueden alterar fundamentalmente la topología de la red vascular, pero su impacto se diluye en las puntuaciones estándar porque los vasos de alto contraste dominan el cálculo. Las métricas existentes no logran aislar el rendimiento algorítmico en estas estructuras de baja saliencia, ocultando fallos sistemáticos en la preservación de la conectividad vascular.

Metodología
Para abordar estas limitaciones, los autores proponen un marco centrado en el índice de Saliencia de Vaso Local (LVS, por sus siglas en inglés) y una métrica de rendimiento derivada, la exhaustividad media de Baja Saliencia (mLSR).

Índice de Saliencia de Vaso Local (LVS):
- El índice LVS cuantifica la dificultad de identificar un segmento de vaso específico comparando la intensidad local del vaso contra el fondo inmediato.
- El cálculo utiliza una máscara de anotación manual de verdad de campo (ground-truth), que primero se convierte en una representación de grafo (nodos en bifurcaciones/terminaciones, aristas como segmentos de vasos) utilizando el marco Pyvane.
- Para cada píxel en el Segmento del Eje Medial (MAS), el método identifica los dos puntos de contorno más cercanos en lados opuestos del vaso para definir una sección transversal.
- Se muestrean los píxeles del vaso ( $S_v$ ) a lo largo de la sección transversal y los píxeles del fondo ( $S_b$ ) dentro de un radio definido ( $r_b$ ) desde los puntos de contorno.
- La saliencia se calcula como la diferencia de intensidad relativa ( $\Delta I$ ) entre el vector de intensidad promedio del vaso ( $I_v$ ) y el vector de intensidad del fondo ( $I_b$ ).
- Estos valores se suavizan a lo largo del MAS y se propagan a todos los píxeles de vasos adyacentes para crear un mapa LVS continuo.
Exhaustividad Media de Baja Saliencia (mLSR):
- Utilizando el mapa LVS, los autores definen un umbral $t$ para aislar los píxeles de vasos "desafiantes" (aquellos con LVS $\le t$ ).
- Se calcula una métrica de exhaustividad específica, LSRecall, para estos píxeles de baja saliencia.
- Para generar una puntuación única e independiente del umbral, se computa la mLSR como la media de los valores de LSRecall a través de un rango de umbrales ( $T$ ), ponderada equitativamente para penalizar los errores en las regiones más difíciles.
Aumento de Datos Basado en Saliencia:
- Como prueba de concepto, los autores proponen una técnica de aumento de datos que reduce sistemáticamente la saliencia de segmentos de vasos específicos durante el entrenamiento.
- Esto implica atenuar la intensidad del vaso para que coincida con el fondo local e introducir discontinuidades sintéticas. El objetivo es forzar a las redes neuronales a depender de claves de continuidad global en lugar de de la textura de contraste local.

Configuración Experimental
El estudio evaluó 11 métodos de segmentación (incluyendo variantes de UNet, UNet++, ResUNet, HRNet y FSGNet) a través de seis conjuntos de datos 2D ampliamente utilizados: DRIVE, STARE, CHASEDB1, VessMAP, DCA1 y OCTA-500. Estos conjuntos de datos abarcan fotografía de fondo de ojo, microscopía de fluorescencia, angiografía coronaria y OCTA. Los experimentos utilizaron protocolos de entrenamiento estándar con supervisión profunda y un extenso aumento de datos (CutMix, volteo, desenfoque) para asegurar la convergencia del modelo.

Resultados Clave

Correlación con la Dificultad: El estudio demuestra una fuerte correlación entre el rendimiento de la segmentación y el índice LVS. Los algoritmos fallan consistentemente en recuperar vasos con baja saliencia.
Brecha de Rendimiento: Los valores de mLSR para todos los métodos evaluados fueron significativamente menores que sus valores de exhaustividad (recall) estándar. Se observó una disminución típica de rendimiento de 20 puntos porcentuales cuando se enfoca específicamente en los vasos de baja saliencia.
- Para los métodos de alto rendimiento en conjuntos de datos de referencia como DRIVE y OCTA-500, los valores de mLSR fueron aproximadamente del 58%, mientras que la exhaustividad estándar fue significativamente mayor (por ejemplo, ~86% para DRIVE).
- El conjunto de datos OCTA-500 resultó ser el más desafiante, seguido de cerca por DRIVE.
Divergencia de Métricas: Aunque la exhaustividad global y la mLSR están correlacionadas, divergen significamente a nivel de imagen (correlación de Pearson de 0.46). Imágenes con alta exhaustividad global (~90%) pueden exhibir valores de mLSR tan bajos como el 30%, confirmando que las métricas estándar enmascaran fallos en regiones de bajo contraste.
Eficacia del Aumento: El aumento de saliencia propuesto no produjo mejoras significativas cuando se entrenó con conjuntos de datos completos (DRIVE y VessMAP), probablemente porque los datos originales ya contenían suficientes ejemplos de baja saliencia o los conjuntos de datos tenían distribuciones de saliencia uniformes. Sin embargo, en escenarios con escasez extrema de datos de entrenamiento (por ejemplo, 2 a 4 muestras), el aumento mejoró significativamente el rendimiento (por ejemplo, el índice Dice aumentó del 75.3% al 82.5% con 4 muestras), lo que sugiere que ayuda a los modelos a generalizar a partir de ejemplos limitados.

Significancia y Reivindicaciones
El artículo afirma que la metodología desarrollada proporciona una base cuantitativa para diseñar algoritmos de segmentación con una sensibilidad mejorada hacia los vasos difíciles de detectar. Al introducir el índice LVS y la mLSR, los autores ofrecen una herramienta para:

Revelar errores sistemáticos en la preservación de la conectividad vascular que las métricas globales pasan por alto.
Guiar el desarrollo algorítmico futuro hacia la preservación de la integridad topológica en regiones de bajo contraste.
Identificar si las brechas de rendimiento se deben a limitaciones arquitectónicas o a inconsistencias en las anotaciones manuales (ya que los vasos de baja saliencia también son difíciles de anotar para los humanos).

Los autores concluyen que, si bien los métodos actuales de vanguardia (state-of-the-art) funcionan bien en estructuras de alto contraste, exhiben deficiencias consistentes en la recuperación de vasos de baja saliencia, una limitación que debe abordarse para garantizar un análisis de la red vascular fiable. La técnica de aumento de saliencia se presenta como una dirección prometedora específicamente para escenarios de escasez de datos.

Más como este