Active Diffusion Matching: Score-based Iterative Alignment of Cross-Modal Retinal Images

Título: Active Diffusion Matching (ADM): Alineación Iterativa Basada en Puntuación de Imágenes Retinianas Cross-Modal

1. Problema Abordado

El estudio se centra en el desafío crítico de alinear Imágenes Fundus Estándar (SFIs) con Imágenes Fundus de Ultra-Amplio Campo (UWFIs).

• Dificultades principales:
  • Diferencias de Campo de Visión (FOV): Las SFIs capturan solo el 20% central de la retina (30°-60°), mientras que las UWFIs cubren hasta el 82% (200°).
  • Disparidades de Escala y Apariencia: Existen diferencias masivas en la escala, variaciones en las características de color y una escasez de texturas retinianas distintivas, especialmente en las UWFIs.
  • Falta de Métodos Especializados: Las técnicas existentes de alineación (como SuperRetina o GeoFormer) están diseñadas principalmente para pares SFI-SFI y carecen de precisión cuando se enfrentan a las grandes variaciones geométricas y de dominio entre SFIs y UWFIs.
• Necesidad: Se requiere una alineación precisa para permitir el entrenamiento de modelos de mejora de imagen y super-resolución basados en aprendizaje automático, lo que permitiría que las UWFIs alcancen la calidad de las SFIs.

2. Metodología Propuesta: Active Diffusion Matching (ADM)

Los autores proponen ADM, un método novedoso que integra dos modelos de difusión basados en puntuación (score-based) interdependientes para estimar simultáneamente transformaciones globales y deformaciones locales mediante una cadena de Markov de Langevin iterativa.

• Arquitectura Dual:
  • Modelo de Transformación Global ($s_\theta$): Estima los parámetros de homografía ($H$) para alinear el campo de visión global. Utiliza una arquitectura basada en Transformers (inicializada con DINO) para capturar el contexto global.
  • Modelo de Deformación Local ($s_\phi$): Estima el campo de desplazamiento píxel a píxel ($v$) para corregir deformaciones no lineales. Utiliza una arquitectura basada en CNN (U-Net) para extraer características locales y detalles finos.
• Proceso Iterativo (Langevin Dynamics):
  • En lugar de una inferencia de un solo paso, ADM utiliza un proceso de difusión inversa. En cada paso $t$, los modelos refinan sus estimaciones ($H_t$ y $v_t$) basándose en el ruido y las estimaciones anteriores.
  • Interacción Cíclica: La estimación global guía la local, y viceversa. Específicamente, la imagen globalmente deformada se utiliza como entrada para estimar el campo de desplazamiento local.
• Muestreo Guiado Adaptativo (Input Adaptive Guided Sampling):
  • Se introduce un término de guía durante la inferencia de la homografía. Se calcula el gradiente de una pérdida de correspondencia de apariencia (NCC) respecto a los parámetros de homografía y se utiliza para ajustar la estimación en tiempo real, adaptando el modelo a pares de imágenes específicos.
• Entrenamiento:
  • Se utiliza una función de pérdida compuesta que incluye: pérdida de emparejamiento de puntuación (score matching), pérdida de emparejamiento de píxeles (basada en normas-p y correlación cruzada) y pérdida de regularización para evitar deformaciones excesivas.
  • Se emplean estrategias de programación dinámica de pesos ($\delta_s, \delta_x, \delta_R$) para equilibrar la importancia de los componentes durante las diferentes etapas del entrenamiento y la inferencia.

3. Contribuciones Clave

1. Primera solución automática y precisa: ADM es, según los autores, el primer método totalmente automático diseñado específicamente para alinear pares SFI-UWFI, superando los enfoques manuales previos.
2. Marco de Difusión Dual: Es la primera vez que se propone un marco de difusión que estima conjuntamente transformaciones globales y deformaciones locales de manera interactiva, superando a métodos anteriores que trataban estos problemas por separado.
3. Estrategia de Muestreo Guiado: La introducción de un mecanismo de guía basado en el gradiente de la pérdida de apariencia permite una adaptación dinámica a las características específicas de cada par de imágenes de entrada.
4. Arquitectura Híbrida: La combinación de Transformers (para lo global) y CNNs (para lo local) dentro de un marco de difusión se demuestra como la configuración óptima para este problema específico.

4. Resultados Experimentales

El método fue evaluado en dos conjuntos de datos: un conjunto privado de pares SFI-UWFI (Kangbuk Samsung Medical Center) y un conjunto público de pares SFI-SFI (FIRE).

• Conjunto de Datos Privado (SFI-UWFI):
  • ADM logró un mAUC (área bajo la curva media) de 29.3, superando al método más cercano (GeoFormer) en 5.2 puntos.
  • La tasa de alineación "Aceptable" fue del 41.98%, un aumento de 5.88 puntos porcentuales sobre el segundo mejor método.
  • Los métodos basados en keypoints (SIFT, SuperPoint) fallaron casi completamente debido a la falta de características distintivas en las UWFIs.
• Conjunto de Datos Público (SFI-SFI):
  • ADM alcanzó un rendimiento competitivo, logrando un mAUC de 76.0, superando ligeramente a los métodos state-of-the-art existentes (como SuperRetina y GeoFormer).
• Análisis de Ablación:
  • Se demostró que tanto el refinamiento iterativo como el muestreo guiado son componentes críticos; su eliminación reduce significativamente el rendimiento.
  • La arquitectura híbrida (Transformer para global + CNN para local) superó a las configuraciones puras (ambos CNN o ambos Transformers).
  • El modelo mostró robustez frente a degradaciones de imagen (ruido gaussiano, desenfoque, baja iluminación), aunque el rendimiento disminuye en casos extremos de borrosidad severa.

5. Significado e Impacto

• Avance Clínico: ADM cierra la brecha tecnológica que impedía la integración efectiva de SFIs y UWFIs. Esto es crucial para el diagnóstico de enfermedades que afectan la retina periférica (como la retinopatía diabética) y para la mejora de la calidad de imagen de las UWFIs mediante aprendizaje profundo.
• Precisión Diagnóstica: Al permitir una alineación precisa, se facilita el análisis integrado de la retina, lo que puede mejorar la precisión diagnóstica y los resultados para los pacientes en oftalmología.
• Limitaciones y Futuro: El principal compromiso es el tiempo de inferencia (aprox. 47 segundos por par), que es mayor que los métodos feedforward debido a la naturaleza iterativa. Los autores sugieren que futuras investigaciones podrían centrarse en acelerar el proceso mediante destilación de conocimiento o poda selectiva de iteraciones, sin sacrificar la precisión en casos difíciles.

En resumen, Active Diffusion Matching representa un salto cualitativo en el registro de imágenes médicas retinianas, ofreciendo una solución robusta y automatizada para un problema previamente no resuelto con la precisión necesaria para aplicaciones clínicas avanzadas.