Exploring Entropy-based Active Learning for Fair Brain Segmentation

Resumen Técnico: Exploración del Aprendizaje Activo Basado en Entropía para Segmentación Cerebral Equitativa

Enunciado del Problema
El aprendizaje activo (AA) es una estrategia crítica para mitigar los altos costos de la anotación experta en la segmentación de imágenes médicas. Sin embargo, los métodos estándar de AA basados en incertidumbre suelen optimizar métricas de rendimiento global, ignorando frecuentemente las disparidades en el rendimiento entre grupos definidos por atributos sensibles (por ejemplo, raza, sexo). Aunque el aprendizaje activo equitativo ha sido explorado en tareas de clasificación, su aplicación a la segmentación de imágenes médicas sigue siendo en gran medida inexplorada. Los modelos de segmentación existentes a menudo exhiben disparidades demográficas, donde el rendimiento se degrada en grupos subrepresentados o aquellos con variaciones anatómicas específicas. Además, el muestreo de incertidumbre ingenuo en segmentación tiende a seleccionar imágenes redundantes o valores atípicos, y los cálculos estándar de entropía pueden estar sesgados por diferencias en el volumen anatómico en lugar de por la verdadera incertidumbre del modelo.

Metodología
Los autores proponen un Marco de Aprendizaje Activo Consciente de la Equidad diseñado específicamente para la segmentación de resonancias magnéticas (RM) cerebrales. El núcleo del método es una estrategia de selección de Entropía Localizada Ponderada que modula la incertidumbre a nivel de vóxel en función del rendimiento específico del grupo actual.

1. Generación de Datos: Para controlar el sesgo, el estudio utiliza RM cerebrales ponderadas en T1 sintéticas generadas mediante el marco SimBA. Se definen dos grupos:

   • Grupo 1: Casos con deformaciones globales más una deformación localizada en el núcleo caudado izquierdo (simulando un "sesgo" o una variación anatómica específica).
   • Grupo 2: Casos con deformaciones globales únicamente.
     Los experimentos se realizaron bajo condiciones de "sesgo fuerte" ($\mu=4$) y "sesgo débil" ($\mu=2$).

2. Estrategia de Entropía Localizada Ponderada:

   • Entropía Localizada: Para desacoplar la incertidumbre epistémica verdadera de las variaciones en el volumen anatómico, la entropía se calcula únicamente dentro de una máscara de Región de Interés (ROI) dilatada alrededor de la estructura objetivo (núcleo caudado izquierdo). La entropía se promedia sobre la ROI y se normaliza por el tamaño de la región ($\hat{H}$), evitando que estructuras más grandes dominen la puntuación de selección.
   • Ponderación Consciente del Grupo: El marco calcula una puntuación de rendimiento estandarizada ($z_g$) para cada grupo $g$ basada en el Coeficiente de Similitud de Dice (DSC) en el conjunto etiquetado actual. Los grupos con menor rendimiento (menor DSC) reciben ponderaciones más altas ($w_g$) mediante una transformación softmax.
   • Puntuación de Adquisición: La puntuación final para seleccionar una muestra $x_g$ es el producto de la ponderación del grupo y la entropía localizada: $score(x_g) = w_g \cdot \hat{H}$. Esto prioriza muestras de grupos donde el modelo actualmente tiene un rendimiento deficiente.

3. Configuración Experimental: Una red 3D U-Net fue entrenada utilizando un bucle de AA que comenzaba con conjuntos etiquetados pequeños (10 muestras) con composiciones iniciales de grupos variables (equilibradas, 80/20, 20/80). El marco se comparó frente a Muestreo Aleatorio (MR), Muestreo por Entropía Media y Muestreo por Entropía Localizada.

Contribuciones Clave

• Primer AA Equitativo para Segmentación: Este trabajo aborda la intersección del aprendizaje activo equitativo y la segmentación de imágenes médicas, un dominio previamente inexplorado en comparación con la clasificación.
• Estrategia de Selección Novel: Introducción de una estrategia de Entropía Localizada Ponderada que re-pesca dinámicamente la incertidumbre basada en el rendimiento específico del grupo mediante DSC, asegurando que el proceso de AA se enfoque en subgrupos con rendimiento deficiente.
• Desacoplamiento de la Incertidumbre y la Anatomía: El uso de entropía enmascarada y escalada dentro de una ROI dilatada para asegurar que la selección se impulse por la incertidumbre de los límites en lugar de por diferencias en el volumen estructural.

Resultados
Los experimentos en conjuntos de datos sintéticos demostraron que el método propuesto reduce significativamente las disparidades de rendimiento entre grupos en comparación con el muestreo aleatorio y los métodos estándar de incertidumbre.

• Rendimiento Escalado por Equidad: La estrategia de Entropía Localizada Ponderada logró consistentemente el Rendimiento de Segmentación Escalado por Equidad (ESSP) más alto en todos los regímenes de inicialización y fuerzas de sesgo.
• Reducción de Disparidades: En relación con el muestreo de entropía estándar, el método propuesto redujo la métrica de disparidad ($\Delta$) en un 75% en la configuración de sesgo fuerte y en un 86% en la configuración de sesgo débil al presupuesto final de etiquetado.
• Dinámicas de Selección: El método priorizó con éxito muestras del Grupo 1 con rendimiento deficiente (el subgrupo con morfología desafiante), mientras que la entropía global a menudo seleccionó más muestras del Grupo 2, y el muestreo aleatorio mantuvo un equilibrio 50/50.
• Hallazgos de Línea Base: Sorprendentemente, los experimentos de línea base mostraron que el entrenamiento exclusivamente con datos del Grupo 1, más desafiante, produjo un ESSP mejor que el entrenamiento equilibrado, lo que sugiere que la sobre-representación de la morfología difícil actúa como un "ancla de equidad" sin comprometer severamente la utilidad general.

Significado y Afirmaciones
Los autores afirman que este trabajo ofrece una estrategia eficiente para entrenar modelos más equitativos en entornos con recursos limitados donde los presupuestos de anotación son restringidos. El marco es notable por ser ligero; depende únicamente del rendimiento del conjunto etiquetado para estimar las ponderaciones de grupo, sin requerir clasificadores de equidad adicionales ni modelado costoso de representatividad en espacios de características.

El artículo reconoce modestamente las limitaciones, principalmente el uso de datos sintéticos para controlar explícitamente la magnitud del sesgo. Los autores señalan que los datos médicos del mundo real involucran sesgos complejos y difíciles de desentrañar (por ejemplo, artefactos del escáner). Argumentan que, aunque sus resultados apoyan la utilidad del muestreo ponderado para evitar el sesgo de rendimiento a nivel de grupo, trasladar esto a escenarios del mundo real requiere identificar atributos sensibles basados en hipótesis previas y segmentaciones de referencia fiables. El estudio concluye que la presión de selección adaptativa hacia grupos con rendimiento deficiente es un camino viable hacia la segmentación equitativa de imágenes médicas.