Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation

1. Planteamiento del Problema

Generalización de Dominio (DG) en la Imagenología de Fondo de Ojo:
Los modelos de aprendizaje profundo para la segmentación de imágenes de fondo de ojo (específicamente para el Disco Óptico y la Copa Óptica) sufren degradación del rendimiento al desplegarse en datos de dominios no vistos (diferentes hospitales, dispositivos o condiciones de iluminación). Esto es causado por el desplazamiento de dominio, donde las variaciones en las condiciones de adquisición (iluminación, ruido del sensor, textura) crean una discrepancia de distribución entre los datos de entrenamiento (fuente) y de prueba (objetivo).

Limitaciones de los Enfoques Existentes:

• Adaptación de Dominio (DA) y Adaptación en Tiempo de Prueba (TTA): Requieren acceso a datos del dominio objetivo durante el entrenamiento o la inferencia, lo cual a menudo está restringido por regulaciones de privacidad y costos de anotación.
• Generalización de Dominio Único (SDG): El escenario más realista donde los modelos se entrenan en un único conjunto de datos fuente y deben generalizar a objetivos no vistos. Los métodos SDG existentes a menudo fallan porque:
  • Aumento de Datos: Las transformaciones sintéticas a menudo corrompen estructuras anatómicas críticas.
  • Aprendizaje de Representación: Desentrelazar el "estilo" (apariencia) del "contenido" (anatomía) es difícil ya que están inherentemente acoplados en las imágenes médicas.
  • Métodos de Frecuencia: Los métodos basados en Fourier carecen de localidad espacial, lo que los hace deficientes para modelar la organización espacial de las estructuras anatómicas.

2. Metodología: WaveSDG y WISER

Los autores proponen WaveSDG, una red de segmentación construida sobre una columna vertebral codificador-decodificador en forma de U (codificador ResNet18) que integra un módulo novedoso llamado Extracción y Refinamiento de Estructura Invariante Basada en Wavelet (WISER).

Concepto Central: Desacoplamiento de Sub-bandas de Wavelet

En lugar de tratar todas las características de la imagen por igual, el módulo WISER aplica una Transformada Discreta de Wavelet (DWT) Haar Profunda a los mapas de características del codificador. Esto descompone las características en cuatro sub-bandas, cada una con roles semánticos distintos:

• LL (Bajo-Bajo): Captura la estructura anatómica global y el contenido de baja frecuencia.
• LH/HL (Bajo-Alto / Alto-Bajo): Capturan las respuestas de bordes horizontales y verticales (límites).
• HH (Alto-Alto): Dominado por el ruido del sensor y artefactos.

Arquitectura del Módulo WISER

El módulo WISER procesa las características del codificador capa por capa antes de que se pasen al decodificador a través de conexiones de salto. Realiza tres operaciones específicas:

1. Desacoplamiento Anatomía-Estilo (Sub-banda LL):

   • La sub-banda LL se descompone en representaciones de Estilo ($f^s$) y Anatomía/Contenido ($f^c$) utilizando capas convolucionales idénticas y Normalización de Instancia (IN).
   • Se aplica una Pérdida Ortogonal para imponer la decorrelación entre $f^s$ y $f^c$, asegurando que la representación anatómica sea independiente de la apariencia específica del dominio (por ejemplo, iluminación, tono de color).
   • La sub-banda LL refinada se reconstruye utilizando la representación de contenido normalizada.

2. Refinamiento Selectivo de Bordes (Sub-bandas LH y HL):

   • Potenciador de Bordes (EB): Calcula la energía de borde normalizada para amplificar adaptativamente las respuestas de borde débiles causadas por bajo contraste o mala calidad de imagen.
   • Selector de Bordes (ES): Utiliza la característica de contenido consciente de la anatomía ($f^c$) para generar una puerta espacial. Esta puerta retiene selectivamente los bordes alineados con estructuras anatómicas mientras suprime el ruido de fondo y los bordes espurios.
   • Las sub-bandas LH y HL se refinan multiplicándolas con las salidas tanto del EB como del ES.

3. Supresión de Ruido (Sub-banda HH):

   • La sub-banda HH, que está dominada por ruido, se suprime completamente (se establece en cero) para evitar la propagación del ruido.

4. Reconstrucción:

   • Las sub-bandas filtradas se reconstruyen mediante la Transformada Inversa de Wavelet (IDWT).
   • Una conexión residual combina las características filtradas con las características originales para garantizar la estabilidad del entrenamiento.

Estrategia de Entrenamiento

• Función de Pérdida: El modelo utiliza una Pérdida de Dice Multiclase para la segmentación, aumentada con Supervisión Profunda (DS) para imponer consistencia de límites a través de escalas.
• Restricción de Ortogonalidad: Se utiliza un programa de rampa lineal para introducir gradualmente la pérdida ortogonal, permitiendo que el modelo primero aprenda representaciones específicas de la tarea antes de imponer un desacoplamiento estricto.

3. Contribuciones Clave

1. Módulo WISER Novedoso: Un módulo ligero y eficiente en recursos que desacopla la estructura anatómica de la apariencia específica del dominio utilizando la descomposición de sub-bandas de wavelet.
2. Procesamiento de Sub-bandas Semánticas: A diferencia de los métodos de wavelet anteriores que tratan todas las sub-bandas por igual, WISER aprovecha explícitamente las diferencias semánticas: refina LL para la anatomía global, mejora LH/HL para los límites y suprime HH para el ruido.
3. Potenciador y Selector de Bordes: Un mecanismo dual que amplifica adaptativamente los bordes débiles y filtra el ruido no anatómico, asegurando una delimitación precisa de la Región de Interés (ROI) incluso bajo grandes desplazamientos de dominio.
4. Arquitectura WaveSDG: Un marco completo de SDG que previene la propagación de pistas de apariencia específicas del dominio a través de las conexiones de salto, un punto de falla común en las U-Nets estándar.

4. Resultados Experimentales

Conjuntos de Datos:

• Fuente: Conjunto de datos Refuge (840 entrenamiento, 120 validación, 240 prueba).
• Objetivo (No visto): 5 conjuntos de datos que incluyen Drishti-GS, Gamma y el multi-dominio Cháks.u (Bosch, Forus, Remidio), que cubren varios tipos de cámaras (clínicas y portátiles).

Métricas de Rendimiento:

• Coeficiente de Puntuación Dice (DSC): Mide la superposición.
• Distancia de Hausdorff del Percentil 95 (HD95): Mide la precisión de la alineación de los límites.

Hallazgos Clave:

• Precisión Superior: WaveSDG superó consistentemente a siete métodos del Estado del Arte (SOTA) (incluyendo BigAug, C2SDG, FreeSDG y EGSDG) en todos los conjuntos de datos objetivo.
• Robustez: Logró las mejores puntuaciones Dice equilibradas tanto para la segmentación del Disco Óptico (OD) como de la Copa Óptica (OC).
• Precisión de Límites: WaveSDG logró el HD95 más bajo con varianza reducida, indicando una alineación y estabilidad de límites superiores.
• Generalización: El modelo funcionó excepcionalmente bien en conjuntos de datos de cámaras portátiles (por ejemplo, Forus, Remidio), que típicamente sufren desplazamientos de dominio severos.
• Estudios de Ablación: Confirmaron que el módulo WISER mejora significativamente el DSC y reduce el HD95. La adición de Supervisión Profunda mejoró aún más el rendimiento.
• Eficiencia: El módulo añadió solo 3.24M de parámetros y una sobrecarga computacional del 13.27%, manteniendo una latencia de inferencia baja de 14.8 ms.

5. Significado

Esta investigación aborda un cuello de botella crítico en la IA médica: la incapacidad de los modelos para generalizar a través de diferentes entornos clínicos sin reentrenamiento. Al explotar la Transformada Discreta de Wavelet (DWT), los autores proporcionan una manera fundamentada de separar "qué" es la anatomía de "cómo" se ve (estilo).

• Impacto Clínico: El método permite el despliegue de herramientas de segmentación robustas para el glaucoma y otras enfermedades retinianas utilizando datos de una única fuente, reduciendo la necesidad de costosa recolección de datos multicéntrica sensible a la privacidad.
• Innovación Técnica: Avanza más allá del aumento simple o el entrenamiento adversarial, ofreciendo una solución estructural que respeta las propiedades físicas y semánticas de las imágenes retinianas (disposición global vs. bordes locales).
• Direcciones Futuras: El diseño modular sugiere un potencial para la aplicación en tareas de cruzamiento de modalidades (por ejemplo, de MRI a CT) o generalización de cruzamiento de secuencias.