Harmonized Feature Conditioning and Frequency-Prompt Personalization for Multi-Rater Medical Segmentation

Resumen Técnico: Condicionamiento de Características Harmonizado y Personalización mediante Prompts de Frecuencia para Segmentación Médica Multi-Evaluador

Enunciado del Problema
La segmentación de imágenes médicas multi-evaluador busca capturar la ambigüedad inherente a la interpretación clínica, donde los límites diagnósticos varían entre expertos y dispositivos de imagen. Los enfoques existentes a menudo reducen esta diversidad a etiquetas de consenso (por ejemplo, votación mayoritaria) o tratan las diferencias entre evaluadores como ruido, lo que resulta en modelos sobreconfiados y mal calibrados. Además, los marcos actuales de aprendizaje profundo que operan principalmente en el dominio espacial son vulnerables al ruido específico del escáner y a los artefactos de adquisición. Estas perturbaciones suelen confundir la incertidumbre clínicamente significativa con la variabilidad irrelevante, dificultando la generalización entre escáneres. Asimismo, aunque algunos métodos recientes intentan realizar predicciones personalizadas, a menudo no logran desvincular explícitamente los efectos del ruido de la variabilidad diagnóstica genuina, o dependen de estrategias de fusión estáticas que no se adaptan a los estilos individuales de los expertos.

Metodología
Los autores proponen un marco probabilístico unificado, la Red Harmonizer, diseñada para desvincular los artefactos de adquisición de la variabilidad genuina del anotador. La arquitectura se basa en la estructura Probabilistic U-Net e introduce dos módulos cooperativos dentro de un único pipeline de entrenamiento:

1. Harmonizador de Ruido (Estandarización a Nivel de Datos):

   • Objetivo: Mitigar los artefactos inducidos por el escáner y la adquisición que distorsionan las características latentes.
   • Mecanismo: Este módulo modela implícitamente los artefactos específicos del escáner utilizando un banco aprendible de tokens de artefactos. Predice parámetros de modulación ($\gamma_l, \beta_l$) broadcastados espacialmente, condicionados por las características del decodificador y estos tokens.
   • Operación: Realiza una transformación afín ($\tilde{f}_l = \gamma_l \odot f_l + \beta_l$) sobre las características en todas las capas de la red. Esto actúa como un mecanismo de normalización impulsado por datos que suprime dinámicamente las derivas de intensidad, los artefactos de movimiento y los sesgos de dominio sin requerir conocimiento explícito de la distribución del ruido. El compartir pesos entre capas garantiza un comportamiento de eliminación de ruido consistente.

2. Personalización mediante Prompts de Frecuencia (Adaptación a Nivel de Evaluador):

   • Objetivo: Representar los estilos específicos del evaluador (por ejemplo, precisión de los límites, sensibilidad a la textura) que se manifiestan como señales de alta frecuencia.
   • Mecanismo: Este módulo opera en el dominio espectral. Descompone las características utilizando una Transformada Wavelet Discreta (DWT) para separar los contornos estructurales de baja frecuencia de la información de textura y bordes de alta frecuencia.
   • Operación: Un bloque de Proyección de Prompt Consciente del Evaluador (RAPP) codifica las preferencias específicas del anotador en tokens aprendibles. Estos tokens se ponderan adaptativamente y se combinan con las características espectrales de alta frecuencia mediante un mecanismo de atención (Atención de Gran Kernel). Las características de alta frecuencia refinadas se fusionan luego con los mapas de baja frecuencia y se transforman de nuevo mediante una DWT Inversa (IDWT) para producir un vector latente adaptativo al evaluador ($z'$). Esto permite al modelo sintetizar segmentaciones específicas del experto sin reentrenar la estructura base.

3. Regularización Conservadora de la Diversidad:

   • El marco emplea una regularización basada en la Distancia de Energía Generalizada (GED). Esta función de pérdida alinea la distribución generativa del modelo con la distribución empírica de anotaciones. Minimiza la discrepancia entre las muestras predichas y las anotaciones de expertos (fidelidad) mientras impone diversidad entre las muestras generadas para evitar el colapso hacia una única máscara de consenso.

4. Estrategia de Entrenamiento:

   • Fase 1: La estructura base y el Harmonizador de Ruido se entrenan conjuntamente para aprender características latentes invariantes al artefacto. La cabeza de adaptación de frecuencia específica del evaluador se excluye.
   • Fase 2: La estructura base y el harmonizador se congelan. Solo se entrena el Módulo de Personalización para alinear las características espectrales con los patrones específicos del evaluador.

Contribuciones Clave

• Desvinculación de la Variabilidad: El artículo introduce un método para separar explícitamente el ruido inducido por el escáner de la variabilidad inter-evaluador genuina, asegurando que la incertidumbre refleje la anatomía y no los artefactos de adquisición.
• Personalización en el Dominio de la Frecuencia: A diferencia de los enfoques previos en el dominio espacial, este trabajo introduce Módulos de Prompt de Alta Frecuencia que operan en el dominio espectral para codificar la precisión de los límites y la sensibilidad textural dependientes del anotador.
• Arquitectura Ligera: El marco añade un mínimo de parámetros (aproximadamente 0.21M de parámetros adicionales a una estructura base de 30M) mientras logra un rendimiento de vanguardia, lo que lo hace computacionalmente eficiente.
• Incertidumbre Calibrada: El modelo produce estimaciones de incertidumbre que aumentan en regiones ambiguas (donde los expertos discrepan) y disminuyen en regiones de consenso, apoyando su uso como una herramienta interpretable.

Resultados Experimentales
El método se evaluó en los conjuntos de datos LIDC-IDRI (TC torácica) y NPC-170 (RM de carcinoma nasofaríngeo), así como en el conjunto de datos Kvasir para la robustez ante etiquetas ruidosas.

• Ajuste Distribucional: La Red Harmonizer logró las puntuaciones más bajas de Distancia de Energía Generalizada (GED) tanto en LIDC-IDRI (0.1048) como en NPC-170 (0.1758), superando a líneas base como Probabilistic U-Net y D-Persona. Esto indica una alineación superior con la distribución empírica de anotaciones.
• Precisión Personalizada: El modelo logró las mejores puntuaciones Dice personalizadas (por ejemplo, 92.65% $Dice_{max}$ en LIDC-IDRI), superando a D-Persona en aproximadamente 1.6 puntos porcentuales en el Dice medio.
• Robustez: Bajo ruido sintético (ruido gaussiano, desenfoque, jitter gamma) y desplazamientos de dominio de adquisición en el mundo real (evaluación entre escáneres), la Red Harmonizer demostró una estabilidad superior, reteniendo más del 95% de su rendimiento con datos limpios bajo condiciones de ruido severo donde otros métodos se degradaron significativamente.
• Calibración de Incertidumbre: Se demostró que la incertidumbre a nivel de píxel del modelo se correlaciona fuertemente con la corrección de la predicción y la discrepancia inter-evaluador, con valores bajos de Error de Calibración Esperado (ECE) en todos los evaluadores.

Significado y Afirmaciones
El artículo afirma que la Red Harmonizer proporciona una solución ligera pero efectiva para la segmentación multi-evaluador harmonizada y personalizada. Su significado principal radica en su capacidad para:

1. Mejorar la Fiabilidad: Al eliminar los artefactos del escáner del espacio latente, el modelo asegura que la incertidumbre sea impulsada por la ambigüedad anatómica y no por el ruido.
2. Mejorar la Interpretabilidad: La personalización en el dominio de la frecuencia permite al modelo replicar estilos específicos de expertos (por ejemplo, límites nítidos vs. suaves) sin redundancia arquitectónica, haciéndolo adecuado para flujos de trabajo clínicos que requieren consenso multi-experto o segundas opiniones individualizadas.
3. Generalizar: El marco demuestra robustez tanto ante perturbaciones sintéticas como desplazamientos de dominio en el mundo real (diferentes fabricantes de escáneres), abordando una brecha crítica en la literatura actual de segmentación multi-evaluador.

Los autores concluyen que su enfoque respalda el uso de modelos probabilísticos como herramientas fiables para la toma de decisiones clínicas, al proporcionar segmentaciones diversas, anatómicamente consistentes y específicas del evaluador que respetan la incertidumbre inherente a la imagen médica.