Center-Aware Detection with Swin-based Co-DETR Framework for Cervical Cytology

Resumen Técnico: Detección Centrada en el Centro con Marco Co-DINO Basado en Swin para Citología Cervical

1. Problema y Contexto

El análisis automatizado de imágenes de frotis de Papanicolaou (Pap) es crucial para la detección del cáncer de cuello uterino, pero presenta desafíos significativos debido a la distribución densa de las células y su morfología compleja. El artículo aborda el RIVA Cervical Cytology Challenge, un reto que evalúa algoritmos en dos pistas:

• Pista A: Localización y clasificación (en 8 categorías Bethesda).
• Pista B: Solo localización de células.

Se identificaron tres cuellos de botella principales al aplicar arquitecturas de detección modernas directamente a este conjunto de datos:

1. Objetos pequeños y densos: Las células ocupan una fracción mínima de imágenes de alta resolución y están muy agrupadas.
2. Restricciones de anotación y sesgo de tamaño: Las cajas delimitadoras de verdad fundamental (ground-truth) están rígidamente fijadas a 100 × 100 píxeles. Los detectores basados en regresión estándar tienden a predecir cajas excesivamente grandes para mitigar la penalización del IoU (Intersección sobre Unión) causada por pequeños desplazamientos del centro, lo que introduce ruido en la regresión de tamaño.
3. Integridad morfológica: La clasificación precisa depende de estructuras celulares intactas (como la relación núcleo-citoplasma), las cuales se destruyen fácilmente con recortes aleatorios estándar.

2. Metodología Propuesta

Los autores reformulan el problema de detección como una tarea de detección centrada en el centro (center-aware detection), donde el modelo predice las coordenadas del centro y la categoría, en lugar de las dimensiones de la caja. La solución se basa en el marco Co-DINO con un backbone Swin-Large.

Componentes Clave:

• Marco Co-DINO con Backbone Swin-Large:

  • Se selecciona Swin-Large en lugar de ViT-Large porque sus ventanas de atención localizadas y desplazadas construyen representaciones multiescala jerárquicas más densas, ofreciendo una sensibilidad superior a los detalles espaciales pequeños necesarios para células agrupadas.
  • Se utiliza supervisión auxiliar colaborativa: Además del decodificador principal (asignación uno-a-uno), se añaden ramas auxiliares de entrenamiento que emplean cabezas de detección clásicas (Faster R-CNN, ATSS, RetinaNet, FCOS) con asignaciones uno-a-muchos. Esto proporciona una supervisión densa y diversa para mejorar la capacidad discriminativa del codificador.

• Aumento de Datos que Preserva el Centro (Center-Preserving Data Augmentation):

  • Se modifica la estrategia de recorte aleatorio. Una célula solo se retiene si su centro de verdad fundamental cae dentro de la región recortada.
  • Si el centro está fuera, la célula se descarta. Esto evita que el modelo aprenda de fragmentos celulares sin información diagnóstica válida (núcleos cortados) y elimina supervisión engañosa.

• Optimización Analítica de Cajas Geométricas:

  • Dado que la tarea se formula como predicción de puntos centrales, las dimensiones de la caja se post-procesan a un tamaño fijo óptimo de 101.5 × 101.5 píxeles.
  • Fundamento matemático: Las cajas de verdad son de 100x100. Al predecir un tamaño ligeramente mayor (101.5), se crea un "buffer" espacial que preserva el área de intersección (IoU) incluso si hay un pequeño error de localización del centro (ruido de jitter). Esto maximiza el mAP esperado sin depender de que la red aprenda a regredir el tamaño.

• Reponderación de Pérdidas Específica por Pista (Track-Specific Loss Tuning):

  • Se ajustan dinámicamente los pesos de la función de pérdida total ($L_{Total}$) según la pista:
    • Pista A (Clasificación + Detección): Se prioriza la clasificación ($\lambda_{cls} = 3.5$) para discriminar categorías visuales similares.
    • Pista B (Solo Detección): Se prioriza la localización ($\lambda_{L1} = 3.5$) ya que la métrica depende exclusivamente de la precisión del punto central.
  • La pérdida de IoU (GIoU) se reduce agresivamente ($\lambda_{IoU} = 0.5$) porque la optimización geométrica post-procesada ya resuelve el problema del tamaño.

3. Contribuciones Clave

1. Línea Base Potente: Establecimiento de un estado del arte utilizando Co-DINO con Swin-Large, aprovechando la supervisión híbrida colaborativa para células densas.
2. Estrategia de Aumento de Datos Biológicamente Válida: Eliminación de recortes que destruyen la morfología nuclear, asegurando que el modelo aprenda solo de células con centros válidos.
3. Técnica de Optimización Geométrica Modelo-Agnóstica: Introducción de una post-procesamiento analítico que fija las cajas a 101.5x101.5, mitigando efectivamente el ruido de localización y mejorando el mAP sin cambiar la arquitectura del modelo.
4. Adaptación de Pérdidas: Un esquema de reponderación que alinea el entrenamiento con los criterios de evaluación específicos de cada pista del desafío.

4. Resultados

El método propuesto logró los siguientes resultados en el RIVA Challenge:

• 1er Lugar en la Pista B (Solo localización).
• 2do Lugar en la Pista A (Localización y Clasificación).

Comparación de Rendimiento (Tabla 1 del artículo):

• El modelo Co-DINO-Swin (Ours) alcanzó un mAP de 0.609 en la Pista B, superando a Co-DINO-ViT (0.604) y a otros baselines como Co-Deformable-DETR (0.586).
• En la Pista A, obtuvo un mAP de 0.237, muy competitivo frente a Co-DINO-ViT (0.238).
• Estudio de Ablación (Tabla 2):
  • La base Co-DINO-Swin obtuvo 0.609.
  • Con Center-Preserving Cropping (C.C.): 0.611.
  • Con C.C. + Box Optimization (B.O.): 0.634 (Salto significativo).
  • Con C.C. + B.O. + Loss Tuning (L.T.): 0.635.
• Validación de la Optimización Geométrica (Tabla 3): La aplicación de la caja de 101.5x101.5 mejoró consistentemente el mAP en todos los modelos de base probados (YOLO, RetinaNet, CenterNet, etc.), confirmando su utilidad universal para anotaciones de tamaño fijo.

5. Significado e Impacto

• Eficiencia Clínica: El modelo requiere solo 12 GB de VRAM para inferencia (entrenado en RTX 4090), lo que demuestra su viabilidad práctica para su despliegue en entornos clínicos.
• Innovación Metodológica: El trabajo demuestra que para dominios con restricciones de anotación específicas (como cajas de tamaño fijo), las estrategias de ingeniería de características y post-procesamiento (como la optimización geométrica analítica) pueden ser tan críticas como la arquitectura de la red neuronal misma.
• Referencia General: La técnica de optimización de cajas propuesta es agnóstica al modelo y ofrece una solución práctica para cualquier tarea de detección de objetos con anotaciones de tamaño fijo, donde el ruido de localización del centro degrada el rendimiento estándar.

En conclusión, este artículo presenta una solución integral que combina arquitecturas avanzadas de visión por computadora con un entendimiento profundo de las peculiaridades del conjunto de datos biomédico, logrando un rendimiento superior mediante optimizaciones dirigidas a la métrica de evaluación específica.