Structured Spectral Graph Representation Learning for Multi-label Abnormality Analysis from 3D CT Scans

Resumen Técnico: Aprendizaje de Representación de Grafos Espectrales Estructurados para el Análisis de Anomalías Multietiqueta en Tomografías Computarizadas 3D

Planteamiento del Problema
El creciente volumen de exámenes de tomografía computarizada (TC) de tórax requiere herramientas automatizadas que asistan a los radiólogos en la detección de anomalías. Si bien la clasificación multietiqueta es crítica para el apoyo a la decisión clínica, sigue siendo un desafío debido a las complejas relaciones espaciales inherentes a los datos volumétricos y a la amplia variabilidad de las patologías. Los enfoques existentes enfrentan limitaciones específicas: las Redes Neuronales Convolucionales (CNN) 3D suelen tener dificultades para capturar dependencias de largo alcance, mientras que los Transformers de Visión (ViT) típicamente requieren un preentrenamiento extensivo en conjuntos de datos grandes y específicos del dominio para ser competitivos. Además, muchos métodos 2.5D existentes (que procesan cortes de forma independiente o como secuencias) carecen de un modelado explícito de la continuidad espacial y de las dependencias entre cortes dentro del volumen.

Metodología: CT-SSG
Los autores proponen CT-SSG (Structural Spectral Graph for Computed Tomography), un marco de trabajo 2.5D que representa volúmenes de TC 3D como grafos estructurados. La arquitectura avanza a través de cuatro etapas:

1. Inicialización de Características: El volumen 3D de entrada se particiona en $N$ tripletes no superpuestos de cortes axiales adyacentes. Cada triplete es procesado de forma independiente por un backbone ResNet-18 2D para extraer características espaciales, lo que resulta en una incrustación (embedding) compacta para cada triplete. Este enfoque captura el contexto inter-corte local sin recurrir a convoluciones 3D completas computacionalmente costosas.
2. Construcción del Grafo: El volumen se modela como un grafo $G=(V, E)$ donde cada nodo $v_i$ representa un triplete de cortes axiales. Las aristas conectan los nodos basándose en su distancia física a lo largo del eje caudal-craneal (z). Los pesos de las aristas se definen mediante una función de la distancia inter-triplete y el espaciado de los cortes, lo que permite al modelo codificar las relaciones espaces. Los autores exploran topologías totalmente conectadas y dispersas (sparse), donde la conectividad está limitada a un tamaño de campo receptivo específico $q$.
3. Paso de Mensajes en el Dominio Espectral: Para gestionar la variabilidad en el posicionamiento anatómico entre pacientes, el modelo emplea un Módulo Espectral basado en convoluciones de grafos de Chebyshev. A diferencia de las convoluciones de grafos espaciales que agregan vecindades locales fijas, las convoluciones espectrales operan en el dominio de Fourier utilizando aproximaciones polinómicas del Laplaciano del grafo. Esto permite al modelo capturar representaciones de características jerárquicas y relaciones anatómicas de largo alcance, manteniéndose robusto ante la variabilidad inter-paciente. El módulo incluye Embeddings Posicionales de Triplet Axial para retener la información de la posición axial y utiliza conexiones residuales con capas de normalización.
4. Clasificación: Las representaciones de los nodos actualizadas se agregan mediante un pooling de media para producir una incrustación de volumen global, la cual se pasa a una cabeza de clasificación para predecir la presencia de múltiples anomalías utilizando una pérdida de Entropía Cruzada Binaria.

Contribuciones Clave
El artículo describe cinco contribuciones principales:

1. Marco CT-SSG: Un novedoso codificador visual que modela volúmenes de TC 3D como grafos de tripletes de cortes axiales, incorporando Embeddings Posicionales de Triplet Axial y estrategias de ponderación de aristas dentro de un módulo GNN de dominio espectral.
2. Generalización entre Conjuntos de Datos: Demostró una fuerte generalización al ser entrenado en el conjunto de datos CT-RATE (Turquía) y evaluado en conjuntos de datos independientes de EE. UU. (RAD-ChestCT) y Francia (CT-HCL). El modelo también mostró transferibilidad de TC de tórax a TC abdominal.
3. Estudios de Ablación Exhaustivos: Evaluación sistemática de la profundidad del modelo, hiperparámetros, topología del grafo (dispersa vs. totalmente conectada), ponderación de aristas y patrones de conectividad. El estudio identifica que las topologías dispersas con vecindades locales y una sola capa espectral ofrecen un rendimiento óptimo.
4. Transferencia a la Generación de Informes: Evaluación de CT-SSG como un codificador visual para la generación automatizada de informes radiológicos, demostrando que las representaciones aprendidas son efectivas para tareas de generación de texto descendentes (downstream).
5. Transferencia a TC Abdominal: Validación del enfoque en un régimen de bajos datos para la clasificación de anomalías en TC abdominal, mostrando que los backbones preentrenados en tórax superan al entrenamiento supervisado desde cero cuando hay menos de 3,750 muestras disponibles.

Resultados Experimentales
El modelo fue evaluado en el conjunto de datos CT-RATE (21,304 pacientes) y comparado contra CNNs 3D, Transformers 3D (ViT3D, ViViT, Swin3D) y otros métodos 2.5D (CT-Net, CT-Scroll).

• Rendimiento: CT-SSG alcanzó un F1-Score macro de 57.18% en el conjunto de prueba de CT-RATE, superando al mejor baseline (CT-Scroll, 54.30%) y mostrando ganancias significativas sobre los Transformers 3D y las CNNs.
• Generalización: En evaluaciones cruzadas de conjuntos de datos, CT-SSG se posicionó consistentemente en el rango más alto en F1-Score, AUROC y mAP tanto en RAD-ChestCT como en CT-HCL, indicando robustez ante diferentes distribuciones clínicas.
• Hallazgos de Ablación:
  • Topología: Las topologías de grafo dispersas (campo receptivo $q=16$) superaron a las topologías totalmente conectadas, sugiriendo que restringir la agregación a interacciones locales captura mejor las dependencias de corto alcance.
  • Profundidad: Una sola capa espectral produjo los mejores resultados, lo que implica que las estructuras de grafos profundas no son necesarias para esta tarea.
  • Tamaño del Filtro: En grafos dispersos, un tamaño de filtro de Chebyshev de $K=3$ fue el óptimo, mientras que los grafos totalmente conectados mostraron rendimientos decrecientes con un $K$ mayor.
  • Robustez: El modelo se mantuvo robusto ante traslaciones en el eje z y perturbaciones de ruido Gaussiano.
• Tareas Descendentes: En la generación de informes, CT-SSG alcanzó un F1-Score del 38.72% (eficacia clínica), superando significativamente a ViViT (27.54%) y ResNet3D (25.45%). En la transferencia a TC abdominal, el linear probing sobre pesos congelados preentrenados en tórax superó al entrenamiento supervisado desde cero en regímenes de pocos datos.

Significancia y Reivindicaciones
Los autores afirman que CT-SSG proporciona un paradigma flexible y general que une el modelado 2D y volumétrico. Al representar los volúmenes de TC como grafos estructurados, el método controla explícitamente las definiciones de vecindad y la ponderación de las aristas, ofreciendo una alternativa fundamentada físicamente a la conectividad densa de los Transformers. El trabajo sugiere que los sesgos estructurales explícitos (como la conectividad inter-corte local) sirven como un sesgo inductivo efectivo para el razonamiento 3D, logrando un rendimiento competitivo con una menor complejidad computacional en comparación con los Transformers 3D. Los autores posicionan a CT-SSG como un backbone versátil adecuado para una amplia gama de tareas de imagen médica 3D, incluyendo la detección de anomalías y la generación de informes, sin requerir un preentrenamiento extensivo y específico del dominio.