Improving Prostate Gland Segmentation Using Transformer based Architectures

Título: Mejora de la Segmentación de la Próstata Mediante Arquitecturas Basadas en Transformadores

1. Problema

La segmentación automática de la anatomía de la próstata en imágenes de resonancia magnética (MRI) ponderadas en T2 enfrenta dos desafíos críticos:

• Variabilidad inter-lector: Diferencias significativas en la delimitación de las fronteras de la próstata entre diferentes radiólogos expertos, lo que introduce "ruido" en las etiquetas de entrenamiento.
• Desplazamiento de dominio y desequilibrio de clases: Las glándulas prostáticas a menudo ocupan menos del 3% del volumen de la imagen, creando un fuerte desequilibrio entre el primer plano (próstata) y el fondo. Además, los modelos tradicionales basados en Redes Neuronales Convolucionales (CNN), como el 3D U-Net, tienen dificultades para capturar dependencias de largo alcance y contexto global, lo que limita su capacidad de generalización ante diferentes estilos de anotación y tamaños de glándula.

2. Metodología

El estudio propone y evalúa el uso de arquitecturas basadas en transformadores para superar las limitaciones de las CNN.

• Modelos Comparados:

  • 3D U-Net: Utilizado como línea base (modelo CNN tradicional).
  • UNETR: Reemplaza el codificador CNN con un Transformador de Visión (ViT) puro, utilizando atención auto-global. Sin embargo, su costo computacional es cuadrático, lo que requiere una submuestreo agresivo.
  • SwinUNETR: Utiliza un codificador basado en la jerarquía de Swin Transformer con mecanismos de "ventana desplazada" (shifted-window). Esto permite una atención global eficiente con crecimiento de memoria casi lineal, capturando tanto contexto global como detalles locales.

• Dataset:

  • Se utilizaron 546 volúmenes de MRI T2 de la colección ProstateX (TCIA).
  • Los datos fueron anotados por dos radiólogos independientes (Lector #1: 342 volúmenes; Lector #2: 204 volúmenes), permitiendo un análisis de variabilidad inter-lector.
  • Preprocesamiento: Resampling a resolución isotrópica (0.5 × 0.5 × 3.0 mm³), normalización de intensidad, y aumento de datos (rotaciones, flips, ruido gaussiano).

• Estrategias de Entrenamiento y Evaluación:
  Se probaron tres configuraciones principales para evaluar la robustez:

  1. Entrenamiento de cohorte única: Entrenar con un solo lector y probar con el otro (para medir sensibilidad al estilo de anotación).
  2. Entrenamiento mixto con validación cruzada (5-fold): Combinar datos de ambos lectores para evaluar la generalización cruzada.
  3. Prueba de estrés por tamaño de glándula: Dividir los datos en subconjuntos de "glándulas grandes" y "glándulas pequeñas" y variar proporcionalmente la cantidad de datos de entrenamiento para evaluar la robustez ante el desequilibrio de clases extremo.

• Optimización:

  • Se utilizó Optuna para la búsqueda automática de hiperparámetros (tasa de aprendizaje, tamaño de lote, tamaño de características).
  • Función de pérdida combinada: Dice Loss ponderado + Cross-Entropy binaria.
  • Métrica principal: Coeficiente de Similitud de Dice (DSC).

3. Contribuciones Clave

• Primer Benchmark Sistemático: Es uno de los primeros estudios que compara exhaustivamente UNETR y SwinUNETR frente a un 3D U-Net en un dataset multi-lector de próstata.
• Análisis de Robustez Inter-lector: Demuestra que los transformadores mitigan el ruido de las etiquetas y la variabilidad entre radiólogos mejor que las CNN.
• Estrategia de Tamaño de Glándula: Evalúa específicamente cómo los modelos manejan la variabilidad morfológica (glándulas pequeñas vs. grandes), un problema crítico en la segmentación médica.
• Eficiencia Computacional: Destaca la superioridad de SwinUNETR al ofrecer un equilibrio óptimo entre precisión y eficiencia de memoria en comparación con UNETR.

4. Resultados

• Rendimiento General:

  • SwinUNETR obtuvo los mejores resultados consistentes. En entrenamiento mixto, alcanzó un DSC promedio de 0.8583 (Lector #1) y 0.867 (Lector #2), superando tanto a UNETR como al 3D U-Net.
  • UNETR mostró mejoras sobre el U-Net pero fue menos estable que SwinUNETR, especialmente en escenarios de desequilibrio de datos.
  • El 3D U-Net tuvo un rendimiento inferior, especialmente en la generalización cruzada entre lectores (ej. DSC de 0.70 en Lector #1 cuando se entrenó con Lector #2).

• Robustez ante Variabilidad de Lectores:

  • Los modelos basados en transformadores mostraron una mayor estabilidad al cambiar de lector de entrenamiento a prueba. SwinUNETR mantuvo un alto DSC incluso cuando se entrenó con un lector y se probó con el otro, mientras que el U-Net sufrió caídas significativas.

• Impacto del Tamaño de la Glándula:

  • En el escenario de glándulas pequeñas (clase minoritaria), SwinUNETR demostró una resistencia superior al desequilibrio de clases, manteniendo un DSC estable (~0.85) incluso con reducciones drásticas de datos de entrenamiento.
  • UNETR y el U-Net mostraron caídas más pronunciadas en el rendimiento cuando la proporción de datos de entrenamiento disminuyó, siendo el U-Net el más sensible.

• Análisis Estadístico:

  • Las pruebas de Friedman y Wilcoxon confirmaron que las diferencias de rendimiento entre SwinUNETR y los otros modelos (especialmente en el Lector #1) son estadísticamente significativas (p < 0.0001).

5. Significado e Impacto

• Superioridad de la Atención Global: El estudio valida que los mecanismos de atención global (especialmente la ventana desplazada de Swin) son superiores a las convoluciones locales para capturar el contexto anatómico completo de la próstata, reduciendo la sensibilidad al ruido en las anotaciones.
• Viabilidad Clínica: SwinUNETR logra un aumento de hasta 5 puntos porcentuales en el DSC en comparación con las CNN tradicionales. Además, su eficiencia computacional permite inferencias en tiempo casi real en GPUs estándar, lo que lo hace apto para la implementación clínica.
• Generalización: Los resultados sugieren que los modelos basados en transformadores pueden ser más "agnósticos al lector", facilitando la creación de sistemas de segmentación automatizada robustos que no requieren un reentrenamiento masivo cada vez que cambia el protocolo de anotación o el radiólogo.

En conclusión, el trabajo establece que SwinUNETR es la arquitectura más robusta y precisa para la segmentación de la próstata en MRI T2, superando a las arquitecturas CNN tradicionales y a otros transformadores puros en escenarios de variabilidad inter-lector y desequilibrio de clases.