Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift

Título: Adaptación No Supervisada de FDG a PSMA PET/CT para la Detección de Lesiones 3D bajo Desplazamiento de Etiquetas

1. Problema Abordado

El trabajo aborda el desafío de la adaptación de dominio no supervisada (UDA) en la detección de lesiones volumétricas 3D en imágenes PET/CT. Específicamente, se busca adaptar un detector entrenado en datos etiquetados de FDG (fluorodesoxiglucosa) para que funcione en datos no etiquetados de PSMA (antígeno de membrana específico de la próstata).

El problema principal no es solo el desplazamiento de covariables (diferencias en la apariencia de la imagen y patrones de captación del trazador), sino también un significativo desplazamiento de etiquetas (label shift). Este desplazamiento se manifiesta en dos aspectos críticos entre los dominios FDG y PSMA:

• Composición de tamaño: Las lesiones en PSMA tienden a ser más pequeñas y numerosas por sujeto en comparación con las lesiones FDG, que suelen incluir lesiones más grandes.
• Frecuencia: El número promedio de lesiones por paciente varía entre los dos trazadores.
  Los métodos UDA convencionales asumen que la distribución de etiquetas es consistente entre dominios, lo que lleva a un rendimiento deficiente cuando se aplican a este escenario de cambio de trazador.

2. Metodología

Los autores proponen un marco de auto-entrenamiento (self-training) que integra explícitamente el conocimiento previo sobre la distribución de tamaños y la prevalencia de lesiones en el dominio objetivo. La arquitectura base es una M3DRetinaNet (una red de un solo paso con pérdida focal y pirámide de características 3D).

El método se basa en dos mecanismos principales para mitigar el desplazamiento de etiquetas:

• A. Adaptación de Tamaños de Anclaje (Anchor Shapes):

  • En lugar de usar tamaños de anclaje fijos derivados del dominio fuente (FDG), el sistema reestima dinámicamente las escalas de las cajas en el dominio objetivo.
  • Utiliza las etiquetas pseudo-seleccionadas para ejecutar un algoritmo k-means en el espacio de vóxeles y actualizar el conjunto de anclajes mediante un promedio móvil exponencial (EMA).
  • Esto permite que el detector se ajuste mejor a las lesiones más pequeñas típicas del PSMA, estabilizando la regresión de cajas.

• B. Selección de Etiquetas Pseudo con Cuotas por Bins de Tamaño:

  • En lugar de aplicar un umbral de confianza fijo (que favorece lesiones grandes y de alto contraste), el método asigna cuotas por bins de tamaño.
  • Se estima una distribución de probabilidad (histograma) de los volúmenes de las lesiones en el dominio objetivo.
  • Se define un presupuesto global de lesiones por sujeto (basado en una media global estimada) y se distribuye este presupuesto entre los diferentes bins de volumen según el histograma estimado.
  • Esto asegura que las etiquetas pseudo seleccionadas reflejen la composición real de tamaños y la prevalencia del dominio objetivo (PSMA), en lugar de heredar el sesgo del dominio fuente (FDG).

• Optimización Alternada:
  El proceso alterna entre el aprendizaje supervisado en el dominio fuente (FDG) y el aprendizaje con etiquetas pseudo en el dominio objetivo (PSMA), actualizando simultáneamente los priores (media de lesiones y histograma de tamaños) y los anclajes en cada ronda.

3. Contribuciones Clave

1. Primera UDA para Detección 3D: Es, según los autores, el primer intento de aplicar adaptación de dominio no supervisada a la detección de lesiones volumétricas 3D completas.
2. Mitigación Explícita del Desplazamiento de Etiquetas: A diferencia de los métodos UDA tradicionales que solo abordan el desplazamiento de covariables, este trabajo introduce un esquema de auto-entrenamiento novedoso que modela y compensa activamente el cambio en la distribución de etiquetas (tamaño y conteo).
3. Estimación Adaptativa de Parámetros: El sistema estima adaptativamente los parámetros de distribución de tamaños y prevalencia en el dominio objetivo para refinar la selección de etiquetas pseudo, sin necesidad de etiquetas reales en el objetivo.
4. Eficiencia Computacional: El enfoque evita el uso de pérdidas adversarias complejas o alineación de características, que serían inestables y costosas para datos 3D densos, optando por un proceso de auto-entrenamiento ligero.

4. Resultados

El método se evaluó en el conjunto de datos del desafío AutoPET 2024, adaptando 501 estudios FDG etiquetados a 369 estudios PSMA (de los cuales 258 se usaron para entrenamiento no supervisado y 74 para prueba).

• Métricas de Desempeño: Se utilizaron Precisión Media (AP) a diferentes umbrales de IoU (0.1, 0.25, 0.5) y Curvas FROC (Característica Operativa del Receptor de Respuesta Libre).
• Comparativa:
  • El modelo fuente (FDG) sin adaptación obtuvo un AP@0.1 de 0.225.
  • La adaptación UDA básica mejoró significativamente a 0.582.
  • La adaptación de anclajes (solo tamaño) mejoró a 0.607.
  • El método completo (UDA + mitigación de desplazamiento de etiquetas) alcanzó 0.613 en AP@0.1, 0.484 en AP@0.25 y 0.417 en AP@0.5.
• Análisis FROC: Las curvas mostraron que el detector adaptado logra una sensibilidad mucho mayor para cualquier tasa de falsos positivos dada, y la corrección del desplazamiento de etiquetas proporciona una mejora adicional sobre la adaptación solo de apariencia.
• Límite Superior: Aunque el modelo adaptado no igualó al modelo "upper-bound" (entrenado en FDG y fine-tuned con PSMA etiquetado, que obtuvo 0.729), demostró ser altamente efectivo en ausencia de etiquetas objetivo.

5. Significado e Impacto

Este trabajo es fundamental para la aplicación clínica de la IA en oncología, ya que permite transferir el conocimiento de grandes conjuntos de datos etiquetados de FDG (el estándar de oro actual) a nuevos trazadores como el PSMA, donde los datos etiquetados son escasos o costosos de obtener.

• Robustez: Demuestra que modelar la prevalencia y la composición de tamaños de las lesiones es esencial para la detección robusta entre trazadores, superando las limitaciones de los métodos UDA convencionales.
• Generalización: El marco propuesto es eficiente y puede integrarse en modelos de detección base arbitrarios, facilitando su adopción en otros escenarios de cambio de dominio en imágenes médicas 3D.
• Limitaciones y Futuro: El método depende de una agrupación (binning) precisa y actualmente asume una sola clase de lesión. El trabajo futuro se orientará hacia la selección ponderada por incertidumbre y la extensión a configuraciones multiclase.