Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images

Resumen Técnico: Segmentación Eficiente de Masas Anexiales en Imágenes Cine mediante Modelos Fundacionales

1. Planteamiento del Problema

La evaluación de masas anexiales (quistes o tumores en los ovarios) mediante ultrasonido es una tarea clínica crítica para distinguir entre lesiones benignas y malignas. Sin embargo, el diagnóstico actual enfrenta varios desafíos:

• Variabilidad: Existe una alta variabilidad inter e intra-observador debido a la interpretación subjetiva y la dependencia de la experiencia del operador.
• Calidad de la imagen: Las imágenes de ultrasonido sufren de ruido de speckle, sombras acústicas y bajo contraste, lo que dificulta tanto el análisis manual como el automático.
• Escasez de datos anotados: La segmentación precisa es un requisito previo para la cuantificación y la radiómica, pero la anotación manual de píxeles es costosa, lenta y propensa a errores.
• Limitaciones de los modelos actuales: Las arquitecturas convolucionales totalmente supervisadas (como U-Net) requieren grandes volúmenes de datos anotados y suelen tener dificultades para generalizar ante cambios de dominio o en escenarios con datos limitados ("data-starved").

2. Metodología Propuesta

Los autores proponen un marco de trabajo de segmentación eficiente en etiquetas que combina un modelo fundacional preentrenado con un decodificador específico para la tarea.

• Arquitectura del Modelo:
  • Codificador (Backbone): Se utiliza DINOv3, un transformador de visión preentrenado de forma auto-supervisada en un corpus masivo de imágenes naturales. El backbone se mantiene congelado durante el entrenamiento para preservar sus priores semánticos robustos.
    • Adaptación: Dado que DINOv3 espera entradas RGB, las imágenes de ultrasonido en escala de grises se convierten a un formato pseudo-RGB replicando los canales.
    • Extracción de características: Se extraen mapas de características jerárquicos ($F_0$ a $F_{12}$) y se descartan los tokens de clasificación, centrándose únicamente en las representaciones espaciales.
  • Decodificador: Se implementa un decodificador estilo Dense Prediction Transformer (DPT), adaptado al estilo RefineNet.
    • Proceso: Fusiona un subconjunto de mapas de características de diferentes profundidades ($F_3, F_6, F_9, F_{12}$) para combinar información semántica global (capas profundas) con detalles espaciales finos (capas superficiales).
    • Mecanismo: Utiliza bloques de fusión residual y operaciones de re-muestreo para reensamblar las características en una resolución completa antes de la predicción final.
  • Entrenamiento: Se utiliza una pérdida combinada de Entropía Cruzada Binaria (BCE) y Pérdida Dice para abordar el desequilibrio de clases y la ambigüedad de los bordes.

3. Contribuciones Clave

1. Adaptación de DINOv3: Es la primera vez que se adapta un backbone DINOv3 congelado con un decodificador DPT para la segmentación de masas anexiales en imágenes de ultrasonido cine.
2. Benchmark Riguroso: Se compara el enfoque propuesto contra arquitecturas convolucionales de última generación (U-Net, U-Net++, DeepLabV3, MAnet) utilizando divisiones a nivel de paciente y métricas tanto de superposición como de borde.
3. Análisis de Eficiencia: Se realiza un estudio exhaustivo sobre la escalabilidad del modelo, la resolución de entrada y, crucialmente, el rendimiento en regímenes de escasez de datos (entrenamiento con solo el 25% de los datos).

4. Resultados Experimentales

El modelo se evaluó en un conjunto de datos clínico de 7,777 frames anotados de 112 pacientes.

• Rendimiento General (Resolución 224x224):

  • El modelo propuesto alcanzó un Dice Score de 0.945, superando al mejor baseline convolucional (U-Net, 0.939).
  • Mejora en la adherencia a los bordes: Reducción del 11.4% en la Distancia de Hausdorff al percentil 95 (HD95) y una reducción del 14.1% en la Distancia Media de Superficie (MSD) en comparación con U-Net.
  • Esto indica una delineación de contornos anatómicamente más precisa y consistente.

• Análisis de Escasez de Datos (Data Starvation):

  • Al entrenar con solo el 25% de los datos, los modelos basados en DINOv3 retuvieron un rendimiento significativamente superior (Índice de Retención > 0.94 en Dice) en comparación con los baselines convolucionales, que cayeron drásticamente (Índice de Retención ~0.88-0.89).
  • Esto demuestra que los priores auto-supervisados actúan como un regularizador estructural fuerte, mitigando el sobreajuste cuando hay pocas etiquetas.

• Análisis de Escala y Resolución:

  • Escalado del Backbone: Aumentar el tamaño del modelo de "Small" a "Base" trajo mejoras marginales, pero escalar a "Large" resultó en una degradación del rendimiento, sugiriendo una saturación de capacidad y sobreajuste en este dominio específico.
  • Resolución: Contrario a la intuición, aumentar la resolución de entrada a 512x512 empeoró el rendimiento y la eficiencia de convergencia, probablemente debido a una alineación deficiente entre las representaciones del backbone congelado y el espacio de optimización más complejo.

5. Significado e Impacto

• Solución para Entornos Clínicos Restringidos: El trabajo demuestra que los modelos fundacionales auto-supervisados son una solución viable y superior para la segmentación médica en entornos donde las anotaciones de píxeles son escasas o costosas.
• Robustez ante el Ruido: La capacidad de DINOv3 para aprender representaciones semánticas robustas permite manejar mejor el ruido de speckle y las variaciones de apariencia típicas del ultrasonido.
• Optimización de Recursos: Se identifica que no siempre es necesario el modelo más grande; los modelos de tamaño medio (Base) ofrecen el mejor equilibrio entre precisión, robustez y costo computacional.
• Futuro: Aunque el estudio se limita a una sola institución, los resultados sugieren un camino prometedor para integrar modelos fundacionales en flujos de trabajo clínicos reales, reduciendo la dependencia de la anotación manual masiva y mejorando la fiabilidad de la evaluación de riesgo de malignidad.

En conclusión, el artículo establece que el uso de priores semánticos densos derivados de modelos fundacionales (DINOv3) supera a las arquitecturas convolucionales tradicionales en precisión y eficiencia de datos para la segmentación de masas anexiales, ofreciendo una vía escalable para el análisis de imágenes médicas en la práctica clínica.