DINOv3 with Test-Time Calibration for Automated Carotid Intima-Media Thickness Measurement on CUBS v1

Resumen Técnico: DINOv3 con Calibración en Tiempo de Prueba para la Medición Automatizada del Espesor Intima-Media Carotídeo (CIMT)

1. Problema

El espesor intima-media carotídeo (CIMT), medido mediante ultrasonido en modo B, es un biomarcador vascular establecido para la estratificación del riesgo de aterosclerosis y enfermedades cardiovasculares. Aunque existen diversos métodos computarizados para la delimitación de bordes y la estimación del CIMT, persisten desafíos significativos:

• Falta de robustez y transferibilidad: Muchos modelos existentes son altamente especializados o dependen de priors manuales, limitando su generalización.
• Disociación entre segmentación y medición: La mayoría de los enfoques de aprendizaje profundo optimizan la superposición de máscaras (métricas como Dice o IoU) sin garantizar que la medición física resultante (en micrómetros) sea precisa.
• Variabilidad manual: La trazado manual es laborioso y sujeto a variabilidad inter e intra-observador.
• Desafío de la física: El objetivo final es una medida física (µm), no solo una segmentación de píxeles. Los errores en la conversión de resolución o en la calibración de umbrales pueden introducir sesgos clínicamente relevantes.

2. Metodología

Los autores proponen un marco de trabajo basado en el modelo de visión fundacional DINOv3 adaptado para la segmentación y medición del complejo intima-media carotídeo en el conjunto de datos CUBS v1.

• Arquitectura del Modelo:
  • Se utiliza un codificador DINOv3 (versión vit base patch16 dinov3 del ecosistema timm) seguido de una cabeza de segmentación convolucional ligera.
  • Las imágenes de ultrasonido se convierten a escala de grises, se redimensionan a $512 \times 512$, se normalizan y se entrenan con una función de pérdida combinada de entropía cruzada y pérdida Dice.
• Procesamiento y Corrección de Unidades:
  • Extracción de CIMT: Tras obtener la máscara binaria de la banda intima-media, se extraen los límites superior e inferior columna por columna.
  • Corrección de Redimensionamiento: Dado que el modelo opera en imágenes redimensionadas pero los factores de calibración (mm/píxel) del dataset CUBS corresponden a la resolución original, se aplica una corrección matemática para convertir los píxeles de la imagen de 512x512 a unidades físicas (µm) de manera precisa.
• Calibración en Tiempo de Prueba (Test-Time Calibration):
  • En lugar de utilizar un umbral fijo (0.50) para binarizar el mapa de probabilidad, se introduce un paso de calibración que recorre diferentes umbrales en un conjunto de validación.
  • Se selecciona el umbral óptimo que minimiza el error absoluto del CIMT, alineando la regla de decisión con el objetivo clínico de medición en lugar de solo con la superposición de píxeles.
• División de Datos:
  • Se utiliza una división a nivel de paciente (no de imagen) para evitar fugas de datos, utilizando tres semillas aleatorias (42, 123, 999) para asegurar la robustez estadística.

3. Contribuciones Clave

1. Adaptación de DINOv3: Demostración de la viabilidad de utilizar un backbone de visión fundacional (DINOv3) para la segmentación de estructuras vasculares finas y de bajo contraste como la pared carotídea.
2. Pipeline de Medición Físicamente Consciente: Implementación explícita de la corrección de factores de escala para reportar el CIMT en unidades físicas (µm) en lugar de píxeles, garantizando la interpretabilidad clínica.
3. Calibración Orientada a la Medición: Introducción de un procedimiento de calibración en tiempo de prueba que optimiza el umbral de post-procesamiento específicamente para minimizar el error de medición clínica, demostrando que la precisión de la segmentación (Dice) no es sinónimo de precisión de la medición (CIMT).

4. Resultados

• Rendimiento de Segmentación:
  • El modelo alcanzó un Dice medio de 0.7739 ± 0.0037 y un IoU de 0.6384 ± 0.0044 en tres divisiones de prueba a nivel de paciente.
• Precisión de Medición (CIMT):
  • Error Absoluto Medio (MAE): 181.16 ± 11.57 µm.
  • Correlación de Pearson media: 0.480 ± 0.259 (variando según la división).
  • El rango de error se sitúa en el régimen de ~0.1 mm, comparable a los métodos computarizados clásicos reportados en el benchmark original de CUBS.
• Impacto de la Calibración:
  • En un subconjunto de validación retenido ($n=28$), el uso del umbral predeterminado (0.50) resultó en un MAE de 141.0 µm con un sesgo sistemático de 101.3 µm.
  • Tras la calibración del umbral (ajustado a 0.80), el MAE se redujo a 101.1 µm y el sesgo sistemático se acercó a cero (-14.9 µm).
  • Esto demuestra que la calibración del umbral puede mejorar sustancialmente el resultado clínico sin reentrenar la red.

5. Significado e Implicaciones

• Viabilidad de Modelos Fundacionales: El estudio valida que los modelos de visión fundacionales (como DINOv3) pueden superar las limitaciones de los métodos tradicionales para tareas de segmentación médica densa, ofreciendo representaciones genéricas robustas.
• Enfoque Clínico Realista: El trabajo subraya que en aplicaciones médicas, la optimización de métricas de superposición (Dice/IoU) es insuficiente. Es crucial optimizar directamente para el objetivo clínico final (la medida física).
• Competitividad: El enfoque propuesto es competitivo con los mejores métodos computarizados clásicos (como TUMDE y CNR IT) reportados en el benchmark CUBS, pero ofrece ventajas adicionales en reproducibilidad, uso de representaciones aprendidas modernas y una vía clara para la calibración adaptativa.
• Limitaciones: El estudio se centra únicamente en el dataset CUBS v1, por lo que la generalización a otras cohortes de ultrasonido carotídeo aún debe establecerse. Además, la calibración actual se limita al umbral y no incluye una adaptación auto-supervisada más profunda del modelo en tiempo de prueba.

En conclusión, el artículo presenta un marco robusto que combina la potencia de los modelos fundacionales con una ingeniería cuidadosa de la conversión de unidades y la calibración de inferencia, logrando mediciones de CIMT interpretables y físicamente precisas.