VAMAE: Vessel-Aware Masked Autoencoders for OCT Angiography

1. Planteamiento del Problema

La Tomografía de Coherencia Óptica Angiográfica (OCTA) es una modalidad de imagen no invasiva crucial para visualizar la microvasculatura retiniana y diagnosticar enfermedades como la retinopatía diabética y el glaucoma. Sin embargo, el aprendizaje de representaciones robustas en OCTA presenta desafíos únicos:

• Estructuras dispersas: A diferencia de las imágenes naturales densas, las imágenes OCTA están dominadas por un fondo uniforme, con los vasos sanguíneos ocupando solo un 10-15% de la imagen.
• Limitaciones de los métodos existentes: Los enfoques de aprendizaje auto-supervisado (SSL) estándar, como los Autoencoders enmascarados (MAE), utilizan enmascaramiento uniforme y reconstrucción a nivel de píxel. En OCTA, esto convierte la tarea de pretexto en algo trivial (reconstruir el fondo vacío) y falla en capturar la geometría vascular, la conectividad a larga distancia y las topologías de ramificación, que son clínicamente críticas.
• Dependencia de anotaciones: Los métodos supervisados requieren anotaciones densas y costosas de expertos, lo que limita su escalabilidad.

2. Metodología: VAMAE

Los autores proponen VAMAE (Vessel-Aware Masked Autoencoders), un marco de pre-entrenamiento auto-supervisado diseñado específicamente para incorporar conocimiento anatómico en el aprendizaje de representaciones.

A. Estrategia de Enmascaramiento Consciente de Vasos (Vessel-Aware Masking)

En lugar de enmascarar parches aleatoriamente, VAMAE prioriza las regiones ricas en vasos:

1. Extracción de Priors Estructurales: Se generan mapas de "vesselness" (usando el filtro de Frangi multiescala), mapas binarios de vasos y esqueletos morfológicos a partir de la imagen de entrada.
2. Puntuación de Importancia Híbrida: Para cada parche, se calcula una puntuación basada en la densidad de vasos y la presencia de esqueleto.
3. Selección Adaptativa: Se seleccionan los parches con mayor puntuación para ser enmascarados (75% de enmascaramiento), asegurando que el modelo intente reconstruir la estructura vascular compleja en lugar del fondo uniforme. Se introduce un componente estocástico para evitar el sobreajuste.

B. Objetivo de Reconstrucción Multi-Objetivo

El decodificador no solo reconstruye la imagen de intensidad original, sino que predice simultáneamente tres objetivos complementarios:

1. Intensidad: Captura la apariencia visual y el contraste.
2. Mapa de Vesselness: Captura la estructura tubular y la morfología local.
3. Esqueleto: Captura la conectividad topológica, las bifurcaciones y la estructura global.
   Esta combinación fuerza al modelo a aprender características que preservan la topología vascular, no solo la textura.

C. Arquitectura

• Codificador: Un Vision Transformer (ViT-Base) que procesa solo los parches visibles.
• Decodificador: Un Transformer ligero que reconstruye todos los parches (visibles y enmascarados) utilizando tokens de enmascaramiento aprendibles.
• Cabezas de Tarea: Tres cabezas MLP específicas para predecir intensidad, vesselness y esqueleto.
• Ajuste Fino (Fine-tuning): Se utiliza una estrategia de dos etapas para tareas de segmentación downstream: primero se entrena el decodificador (U-Net) con el codificador congelado, luego se ajusta todo el conjunto.

3. Contribuciones Clave

1. Propuesta de VAMAE: El primer autoencoder enmascarado consciente de la geometría vascular para el pre-entrenamiento auto-supervisado en OCTA.
2. Estrategia de Enmascaramiento Guiada: Introducción de un mecanismo que utiliza respuestas de vesselness de Frangi y puntuaciones derivadas de esqueletos para priorizar regiones informativas durante el enmascaramiento.
3. Objetivo de Reconstrucción Multi-Objetivo: Diseño de una función de pérdida que combina intensidad, estructura (vesselness) y topología (esqueleto) para capturar información complementaria.
4. Eficiencia de Etiquetas: Demostración de que el aprendizaje auto-supervisado guiado por geometría puede igualar o superar a los métodos supervisados de última generación utilizando solo el 50% de las etiquetas disponibles.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos OCTA-500 (500 escaneos) para tareas de segmentación de vasos grandes, zona avascular foveal (FAZ) y venas.

• Rendimiento General: VAMAE alcanzó un 82.4% de Dice en la segmentación de vasos grandes con supervisión completa, superando significativamente a MAE estándar (76.8%), BioVessel-Net (78.9%) y otros métodos SSL médicos.
• Eficiencia de Etiquetas: Con solo el 50% de las etiquetas, VAMAE logró un 78.4% de Dice, superando a los métodos baselines entrenados con el 100% de los datos. Esto demuestra una reducción efectiva del costo de anotación en un 50%.
• Generalización: El modelo mostró mejoras consistentes en todas las tareas (Vasos grandes, FAZ, Venas), con ganancias particularmente notables en estructuras de bajo contraste como las venas.
• Estudios de Ablación:
  • El enmascaramiento consciente de vasos aportó la mayor mejora individual (+4.8 puntos sobre el enmascaramiento aleatorio).
  • La reconstrucción multi-objetivo añadió mejoras complementarias (+0.8 puntos), siendo el objetivo de vesselness el más crítico.
  • Se validó que un peso de priorización de vasos ($\alpha$) de 0.6 ofrece el mejor equilibrio entre priorización y regularización estocástica.

5. Significado e Impacto

El trabajo de VAMAE es significativo porque:

• Cierra la brecha de dominio: Demuestra que los paradigmas de aprendizaje auto-supervisado genéricos (diseñados para imágenes naturales) son insuficientes para la medicina y deben adaptarse con priors anatómicos específicos.
• Preserva la Topología: Al enfocarse en la reconstrucción de esqueletos y vesselness, el modelo aprende representaciones que respetan la conectividad vascular, reduciendo errores como vasos fragmentados que son comunes en métodos basados en pérdida de píxeles.
• Viabilidad Clínica: Al reducir la dependencia de anotaciones masivas sin sacrificar el rendimiento, VAMAE facilita la implementación de soluciones de IA en entornos clínicos donde los datos etiquetados son escasos.
• Fundamento Teórico: El análisis teórico basado en la información muestra que aumentar la densidad de información en los parches enmascarados (focalizándose en vasos) mejora la transferencia de aprendizaje, validando la estrategia de diseño.

En resumen, VAMAE establece un nuevo estándar para el aprendizaje de representaciones en imágenes médicas de vasos sanguíneos, demostrando que la integración de conocimiento del dominio en la arquitectura de SSL es esencial para lograr generalización y precisión clínica.