Diffusion Autoencoder for Unsupervised Artifact Restoration in Handheld Fundus Images

Título: Autoencoder de Difusión para la Restauración No Supervisada de Artefactos en Imágenes de Fondo de Ojo Portátiles

1. Planteamiento del Problema

El uso de dispositivos de adquisición de fondo de ojo (fundus) portátiles y basados en teléfonos móviles ha democratizado el diagnóstico oftalmológico y la detección de enfermedades como la retinopatía diabética. Sin embargo, las imágenes capturadas con estos dispositivos suelen sufrir de artefactos significativos que degradan su calidad, tales como:

• Reflexiones de destellos (flash).
• Variaciones de exposición (sobreexposición o subexposición).
• Desenfoque inducido por el movimiento.

Estos defectos hacen que las imágenes estén "fuera de distribución" para los modelos de IA entrenados con imágenes de alta calidad de sistemas de escritorio (table-top), lo que dificulta el análisis downstream (como la segmentación de vasos o el diagnóstico de enfermedades). Los métodos de restauración existentes (GANs, modelos de difusión convencionales) suelen depender de:

• Supervisión emparejada (pares de imágenes sucias/limpias), que es difícil de obtener en escenarios reales.
• Estructuras de artefactos predefinidas o máscaras fijas, lo que limita su adaptabilidad a degradaciones no estructuradas y complejas.

2. Metodología Propuesta

Los autores proponen un Autoencoder de Difusión (DiffAE) no supervisado diseñado para aprender representaciones semánticamente significativas a partir de imágenes de alta calidad y aplicarlas para restaurar imágenes portátiles degradadas.

• Arquitectura del Modelo:

  • Entrenamiento: El modelo se entrena exclusivamente con imágenes de fondo de ojo de alta calidad adquiridas en sistemas de escritorio (dataset EyePACS). No se utilizan imágenes portátiles durante el entrenamiento.
  • Componentes: Integra un codificador de contexto ($Enc_\phi$) con un proceso de eliminación de ruido (UNet, $f_\theta$).
    • El codificador mapea una imagen limpia $x_0$ a un vector latente compacto $z$ ($z \in \mathbb{R}^{512}$), que captura estructuras retinianas globales y sirve como prior semántico.
    • El proceso inverso de difusión reconstruye la imagen utilizando este vector latente $z$ y la imagen ruidosa $x_t$ como condiciones.
  • Pérdida: Se minimiza el error cuadrático medio (MSE) entre la reconstrucción y la imagen original para asegurar embeddings latentes ricos en semántica.

• Proceso de Inferencia (Restauración):

  • Para restaurar una imagen portátil con artefactos, se utiliza una estrategia de inpainting (relleno) guiada por máscaras.
  • En cada paso de tiempo $t$ del proceso inverso de difusión, se introduce una máscara de artefacto $M$ que indica las regiones dañadas.
  • La ecuación de condicionamiento mezcla la imagen con artefactos (ruidosa) y la imagen limpia reconstruida: $x^{inpaint}_t = M \odot x_t + (1-M) \odot x^{noisy}_0$.
  • El vector latente $z$ (obtenido del codificador de contexto) guía el proceso para mantener la consistencia estructural (ej. vasos sanguíneos, disco óptico) en las áreas restauradas.

3. Contribuciones Clave

1. Marco DiffAE Unsupervisado: Introducción de un marco que combina un codificador de contexto con un proceso de difusión para aprender representaciones semánticas sin necesidad de pares de datos sucios/limpios.
2. Mecanismo de Inferencia Adaptativo: Un mecanismo que aprende a generar imágenes de alta calidad (de escritorio) y las infiere para rellenar y restaurar imágenes portátiles afectadas por artefactos, sin requerir entrenamiento en datos degradados.
3. Validación Integral: Evaluación cuantitativa y cualitativa en conjuntos de datos no vistos, incluyendo tareas downstream críticas como la segmentación de vasos sanguíneos y la clasificación de retinopatía diabética (DR).

4. Resultados y Evaluación

El modelo se comparó con baselines de vanguardia (GANs como EdgeConnect, DeepFillV2, ShiftNet, y modelos de difusión como ClarityNet).

• Métricas Cuantitativas (Conjunto Sintético):
  • PSNR: El modelo propuesto logró 38.64 dB, superando al mejor baseline (DeepFillV2 con 37.53 dB).
  • SSIM: 0.97, comparable con los mejores métodos.
  • Segmentación de Vasos (Dice): Logró un puntaje de 0.891, superior a DeepFillV2 (0.874), demostrando una mejor preservación de la estructura vascular.
• Evaluación de Calidad (Conjunto Real de Prueba):
  • Se utilizó un sistema de calificación de tres niveles (Bueno, Usable, Rechazo). El modelo propuesto obtuvo el mayor porcentaje de imágenes calificadas como "Buenas" (35.8%) y "Usables" (52.6%), reduciendo significativamente las imágenes de "Rechazo".
• Impacto en Diagnóstico (Retinopatía Diabética):
  • La precisión de clasificación de DR en las imágenes restauradas alcanzó el 81.17%, superando a todos los baselines y mejorando significativamente respecto a la precisión base sin restauración (77.11%).
• Análisis de Ablación:
  • Se demostró que el uso del vector latente de contexto mejora drásticamente la calidad. Usar una representación interpolada entre la imagen con artefactos y su contraparte limpia mejoró el PSNR de 38.98 dB a 41.46 dB, validando la importancia del codificador de contexto.

5. Significado e Impacto

Este trabajo es significativo porque:

• Resuelve el problema de la falta de datos emparejados: Permite entrenar modelos de restauración robustos utilizando únicamente datos de alta calidad disponibles, sin necesidad de recolectar pares de imágenes "sucias/limpias" que son difíciles de obtener en la práctica clínica.
• Mejora la accesibilidad clínica: Al restaurar eficazmente las imágenes de dispositivos portátiles, permite que estas herramientas de bajo costo sean viables para el diagnóstico automatizado y la detección temprana de enfermedades en entornos de atención primaria o remota.
• Preservación de Estructuras Críticas: A diferencia de otros métodos que pueden generar estructuras falsas o borrar detalles finos, el enfoque DiffAE mantiene la continuidad de los vasos sanguíneos y la anatomía retiniana, lo cual es vital para el diagnóstico médico preciso.

En conclusión, el Autoencoder de Difusión propuesto establece un nuevo estándar para la restauración no supervisada en imágenes oftalmológicas, demostrando que la combinación de aprendizaje generativo y codificación de contexto puede superar las limitaciones de las GANs y los métodos de difusión tradicionales en escenarios de adquisición móvil.