VesselRW: Weakly Supervised Subcutaneous Vessel Segmentation via Learned Random Walk Propagation

Resumen Técnico: Vessel-RW

Enunciado del Problema
La segmentación precisa de vasos subcutáneos a partir de imágenes clínicas es crítica para flujos de trabajo diagnósticos e intervencionistas, como la planificación del acceso vascular y la monitorización de la microcirculación. Sin embargo, esta tarea se ve obstaculizada por las características únicas de las estructuras vasculares: bajo contraste, geometría tubular, alta variabilidad interpaciente y ruido frecuente en las imágenes. Además, el desarrollo de soluciones de aprendizaje profundo se ve limitado por la escasez de anotaciones densas y pixel a pixel de verdad fundamental. La producción de dichas máscaras es laboriosa y consume mucho tiempo para los clínicos, creando un cuello de botella para el entrenamiento de modelos robustos. Si bien el aprendizaje profundo ha avanzado en la segmentación semántica general, su aplicación a la imagenología vascular requiere abordar estas limitaciones específicas de los datos y las complejidades estructurales.

Metodología
Los autores proponen Vessel-RW, un marco de aprendizaje débilmente supervisado diseñado para aprender a partir de anotaciones escasas y de bajo costo (por ejemplo, trazas de líneas centrales, marcadores puntuales o garabatos cortos) en lugar de máscaras densas. La innovación central es un módulo de propagación de etiquetas basado en paseos aleatorios, diferenciable, que expande señales escasas en una supervisión densa y probabilística.

El marco entrena conjuntamente dos componentes:

1. Un Predictor de Segmentación CNN ($Q_\theta$): Una red codificador-decodificador que predice distribuciones de etiquetas por píxel a partir de la imagen de entrada.
2. Un Módulo de Propagación de Etiquetas Diferenciable: Este módulo utiliza una formulación de paseo aleatorio para propagar etiquetas escasas a través de la cuadrícula de la imagen. La propagación se guía mediante señales de imagen aprendidas:
   • Puntuaciones de Borde ($B_{\phi,I}$): Un mapa que predice los límites probables de los vasos para impedir el flujo de etiquetas a través de los bordes.
   • Priors de Vasculatura/Orientación ($V_{\psi,I}$): Un mapa que indica estructuras tubulares para fomentar el flujo de etiquetas a lo largo de la continuidad del vaso.

Los pesos de transición del paseo aleatorio están parametrizados por estas señales aprendidas, lo que permite que el sistema aprenda implícitamente los bordes de los vasos y las restricciones de continuidad sin una supervisión explícita de bordes. La propagación produce probabilidades de impacto por píxel y estimaciones de incertidumbre calibradas.

Componentes Técnicos Clave:

• Entrenamiento Conjunto de Extremo a Extremo: A diferencia de los métodos anteriores que alternan entre propagación fija y entrenamiento de CNN, Vessel-RW optimiza el propagador y el predictor simultáneamente. Los gradientes fluyen a través del paso de propagación mediante diferenciación implícita del sistema lineal escaso utilizado para resolver las probabilidades de impacto.
• Pérdida Ponderada por Incertidumbre: El sistema utiliza la entropía de la distribución propagada para ponderar la pérdida de entrenamiento. Los píxeles con alta incertidumbre (regiones ambiguas) se ponderan hacia abajo para evitar que el modelo se sobreajuste a posibles etiquetas pseudo incorrectas.
• Regularización Consciente de la Topología: Para garantizar la utilidad clínica, se introduce un regularizador que fomenta líneas centrales conectadas y penaliza ramas espurias. Esto incluye una pérdida de consistencia de la línea central (alineando la probabilidad del vaso con semillas esqueléticas) y un término de consistencia geodésica (fomentando conexiones de camino corto hacia las semillas anotadas).

Resultados Experimentales
El método se evaluó en un corpus clínico diverso de 1.200 imágenes subcutáneas (incluyendo infrarrojo cercano y RGB) que cubren diversos tonos de piel, géneros y sitios anatómicos (antebrazo, muslo, abdomen).

• Rendimiento: En un conjunto de prueba totalmente etiquetado de 100 imágenes, Vessel-RW alcanzó un coeficiente Dice medio de 0,78 y un F1 de línea central de 0,83.
• Ventaja Comparativa: El método superó consistentemente al entrenamiento ingenuo con etiquetas escasas y a los esquemas convencionales de etiquetado pseudo denso.
• Estudios de Ablación: Eliminar el regularizador topológico redujo el Dice en 5 puntos porcentuales; eliminar los priors de vasculatura aprendidos lo redujo en 3 puntos; eliminar la ponderación por incertidumbre lo redujo en 2 puntos.
• Eficiencia: La anotación escasa requirió un promedio de 28 segundos por imagen en comparación con 640 segundos para máscaras densas, lo que representa una reducción del 95% en el tiempo de anotación.
• Robustez: El rendimiento se mantuvo consistente entre los grupos demográficos, aunque fue ligeramente menor en imágenes de abdomen de bajo contraste y tonos de piel más oscuros, donde los mapas de incertidumbre destacaron efectivamente las regiones ambiguas.

Significado y Afirmaciones
El artículo afirma que Vessel-RW proporciona una vía práctica hacia una segmentación de vasos subcutáneos escalable y clínicamente útil que reduce sustancialmente la carga de anotación mientras preserva la topología vascular clínicamente relevante. Al aprender el mecanismo de propagación conjuntamente con la red de segmentación, el sistema adapta su noción de continuidad de etiquetas a la geometría vascular específica de los datos, superando las limitaciones de las suposiciones de propagación fijas y diseñadas manualmente. El marco produce no solo mapas de segmentación precisos, sino también estimaciones de incertidumbre calibradas, que son cruciales para la toma de decisiones aguas abajo en entornos clínicos. Los autores posicionan este trabajo como una solución que cierra la brecha entre el alto costo de la anotación densa y la necesidad de una delimitación vascular precisa y consciente de la topología.