Resumen Técnico: CONSIGN - Segmentación Conformal Informada por Agrupaciones Espaciales mediante Descomposición

1. Definición del Problema

Los modelos de segmentación de imágenes basados en aprendizaje automático suelen generar puntuaciones de confianza a nivel de píxel (por ejemplo, probabilidades softmax) que actúan como indicadores heurísticos de incertidumbre. Aunque son valiosos en dominios de alto riesgo como la imagen médica, estas puntuaciones carecen de garantías estadísticas rigurosas. La Predicción Conformal (CP) ofrece un marco para transformar estas heurísticas en estimaciones de incertidumbre estadísticamente válidas con garantías de error especificadas por el usuario (Control de Riesgo Conformal).

Sin embargo, una limitación crítica de las aplicaciones existentes de CP en segmentación es la asunción de independencia a nivel de píxel. Los métodos estándar construyen conjuntos de predicción para cada píxel por separado, ignorando las correlaciones espaciales fundamentales inherentes a los datos de imágenes. Este desdén por la estructura espacial conduce a:

• Estimaciones excesivamente conservadoras: Los conjuntos de predicción resultantes (conjuntos de posibles máscaras de segmentación) son innecesariamente grandes.
• Predicciones incoherentes: Los conjuntos pueden contener configuraciones de etiquetas combinatorias que son espacialmente inconsistentes o poco realistas (por ejemplo, máscaras ruidosas o fragmentadas).
• Reducción de la interpretabilidad: La falta de restricciones estructurales hace que las estimaciones de incertidumbre sean menos significativas para la toma de decisiones.

2. Metodología: CONSIGN

Los autores proponen CONSIGN (Segmentación Conformal Informada por Agrupaciones Espaciales mediante Descomposición), un método que integra las correlaciones espaciales en el marco de la predicción conformal. El enfoque está diseñado para ser compatible con cualquier modelo de segmentación preentrenado capaz de generar múltiples salidas de muestra (por ejemplo, mediante dropout de Monte Carlo, modelado bayesiano o conjuntos).

El método consta de dos etapas principales:

A. Construcción de Conjuntos Conscientes del Espacio

En lugar de tratar los píxeles de forma independiente, CONSIGN aprovecha el Análisis de Componentes Principales (PCA) mediante la Descomposición en Valores Singulares (SVD) para capturar las variaciones conjuntas en la incertidumbre a través de la imagen.

1. Generación de Muestras: Dado un modelo preentrenado $f$, el método genera $N_s$ salidas de muestra $\hat{s}_1, \dots, \hat{s}_{N_s}$ para una imagen de entrada dada $X$.
2. Descomposición SVD: Las muestras se centran alrededor de su media $\mu(X)$ y se descomponen:
   $$\hat{S} - \mu(X) \cdot \mathbf{1}^T = U \Sigma V^T$$
   Las columnas de $U$ (denotadas $u_k$) representan las direcciones principales de incertidumbre. Los autores señalan que una SVD truncada utilizando un número pequeño de componentes ($K \in \{2, 5\}$) es suficiente para capturar la estructura espacial esencial, reduciendo significativamente la complejidad computacional en comparación con una base completa.
3. Límites de Coeficientes: Para cada componente principal $k$, el método calcula cuantiles empíricos ($a_k, b_k$) de los coeficientes de proyección sobre las muestras de calibración. Estos definen un intervalo de referencia.
4. Definición del Conjunto de Predicción: El conjunto de predicción $C^*_\lambda(X)$ se define como el conjunto de todos los mapas de etiquetas $Y$ que pueden reconstruirse mediante una combinación lineal de los primeros $K$ componentes principales, donde los coeficientes $c_k$ se encuentran dentro de límites escalados por un parámetro $\lambda$:
   $$c_k \in \left[ \frac{a_k+b_k}{2} - \lambda \Sigma_{k,k} \frac{b_k-a_k}{2}, \quad \frac{a_k+b_k}{2} + \lambda \Sigma_{k,k} \frac{b_k-a_k}{2} \right]$$
   El mapa de etiquetas final se obtiene mediante una proyección no lineal $P(\cdot)$ (argmax) aplicada al vector de puntuaciones reconstruido. Esta no linealidad permite al método imponer restricciones de precisión por etiqueta ($\beta$) mientras mantiene una representación de baja dimensión.

B. Calibración

El método emplea un procedimiento de calibración para determinar el $\hat{\lambda}$ óptimo que satisface la garantía de Control de Riesgo Conformal:
$$\mathbb{E}[\ell(C(X_{test}), Y_{test})] \leq \alpha$$
donde $\ell$ es una función de pérdida acotada que mide el fallo de la etiqueta verdadera para estar en el conjunto de predicción.

• Desafío de Optimización: A diferencia de los métodos a nivel de píxel donde verificar si una verdad fundamental está en el conjunto es trivial, verificar si $Y \in C^*_\lambda(X)$ en CONSIGN requiere determinar si existe un vector de coeficientes $c$ dentro de los límites tal que la máscara reconstruida coincida con $Y$ (hasta una precisión $\beta$).
• Solución: Los autores formulan esto como un problema de minimización con restricciones para encontrar los coeficientes óptimos $c^*$ que minimizan la pérdida entre la verdad fundamental y la máscara reconstruida. Si el solucionador numérico encuentra una solución dentro de los límites, se considera que la verdad fundamental está cubierta.
• Garantía: Incluso si el solucionador falla en encontrar el óptimo global (lo que lleva a un $\lambda$ potencialmente más conservador), la garantía de cobertura estadística permanece válida.

3. Contribuciones Clave

• Predicción Conformal Consciente del Espacio: El artículo introduce un marco novedoso que incorpora explícitamente las correlaciones espaciales en los conjuntos de predicción conformal para la segmentación de imágenes, superando la asunción de independencia a nivel de píxel.
• Descomposición Basada en SVD: Al utilizar SVD para extraer las direcciones principales de incertidumbre, el método construye conjuntos de predicción que son estructuralmente coherentes y significativamente más pequeños (menor volumen de incertidumbre) que las líneas base a nivel de píxel.
• Eficiencia con Truncamiento: Los autores demuestran que se pueden lograr conjuntos de predicción significativos con muy pocos componentes principales ($K=2$ o $5$), haciendo que el enfoque sea computacionalmente viable a pesar del paso de proyección no lineal.
• Aplicabilidad General: El método es agnóstico al modelo, requiriendo solo la capacidad de generar múltiples muestras a partir de un modelo preentrenado, y es aplicable tanto a conjuntos de datos de imágenes médicas como naturales.

4. Resultados Experimentales

Los autores evaluaron CONSIGN frente a dos líneas base:

1. RAPS a nivel de píxel: Un método estándar de control de riesgo conformal que trata los píxeles de forma independiente.
2. SACP (Predicción Conformal Consciente del Espacio): Un método que agrega puntuaciones softmax sobre vecindades locales.

Conjuntos de Datos: Tres conjuntos de datos de imagen médica (M&Ms-2, MS-CMR19, LIDC) y dos subconjuntos de COCO (animales, vehículos).
Métricas:

• Estimador de Chao: Estima el número de segmentaciones únicas en el conjunto de predicción (volumen de incertidumbre).
• Cobertura Estimada Basada en Muestras (sEC): Mide la rapidez con la que la cobertura empírica converge hacia el objetivo $1-\alpha$.
• Correlación: Mide la correlación interna de las segmentaciones muestreadas.

Hallazgos:

• Volumen de Incertidumbre Reducido: CONSIGN produjo consistentemente conjuntos de predicción con volúmenes de incertidumbre significativamente menores (menos segmentaciones únicas) en comparación tanto con RAPS como con SACP. En el conjunto de datos LIDC, la diferencia fue de varios órdenes de magnitud.
• Eficiencia Mejorada: CONSIGN logró las garantías de cobertura requeridas con menos muestras que las líneas base, lo que indica que los conjuntos de predicción ocupan un subespacio de menor dimensión.
• Coherencia Estructural: Las muestras generadas por CONSIGN exhibieron una mayor correlación interna y transiciones más suaves entre regiones, evitando las máscaras "ruidosas" o combinatoriamente inconsistentes que a menudo se observan en los enfoques a nivel de píxel.
• Limitaciones de las Líneas Base: El método SACP, que agrega puntuaciones post-hoc, tuvo un rendimiento comparable al RAPS a nivel de píxel, lo que sugiere que la agregación simple no captura eficazmente las dependencias espaciales reales requeridas para límites de incertidumbre ajustados.

5. Significado y Limitaciones

Significado:
El artículo afirma que CONSIGN proporciona una herramienta robusta para generar estimaciones de incertidumbre "significativas" e "interpretables" en la segmentación de imágenes. Al reconocer las correlaciones espaciales, produce conjuntos de predicción más ajustados que son más útiles para la toma de decisiones críticas, particularmente en imagen médica donde los falsos positivos/negativos tienen altos costos. El método transforma puntuaciones de confianza heurísticas en límites estadísticamente válidos sin requerir el reentrenamiento del modelo de segmentación subyacente.

Limitaciones:

• Asunción de Intercambiabilidad: Al igual que todos los métodos estándar de predicción conformal, las garantías solo se mantienen bajo la asunción de que los datos de calibración y prueba son intercambiables (por ejemplo, i.i.d.). El método no aborda actualmente los desplazamientos de distribución o los datos fuera de distribución.
• Costo Computacional: La forma implícita del conjunto de predicción requiere resolver un problema de optimización numérica durante la calibración, lo que aumenta el tiempo computacional fuera de línea en comparación con los métodos a nivel de píxel. Sin embargo, los autores señalan que el muestreo en línea sigue siendo rápido.
• Optimalidad del Solucionador: La garantía de cobertura depende de que el solucionador numérico encuentre un vector de coeficientes adecuado. Aunque la garantía estadística se mantiene incluso si el solucionador es conservador (aumentando $\lambda$), esto puede conducir a límites más amplios de los teóricamente necesarios en casos patológicos.