Optimization in Sparse 2D to Dense 3D Weakly Supervised Learning: Application to Multi-Label Segmentation of Large ex vivo MRI Data

Resumen Técnico: Optimización en Aprendizaje Débilmente Supervisado de 2D Escaso a 3D Denso para Segmentación Multi-etiqueta de Grandes Datos de IRM ex vivo

Planteamiento del Problema
La IRM de alta resolución ex vivo de la médula espinal (típicamente 50–100 µm isotrópica) ofrece una caracterización anatómica detallada de la patología de la esclerosis múltiple (EM), incluyendo lesiones de sustancia gris (SG) y sustancia blanca (SB). Sin embargo, el volumen masivo de datos (miles de cortes por muestra) hace prohibitivamente costosa la anotación manual densa y por vóxel. Los investigadores a menudo se ven obligados a depender de anotaciones 2D escasas (por ejemplo, 428 cortes a través de más de 104,000 cortes totales). Esto crea una dicotomía técnica: los modelos 2D entrenados con cortes escasos carecen de contexto volumétrico, lo que lleva a predicciones inconsistentes a lo largo del eje Z, mientras que los modelos 3D requieren una verdad terrena densa que no existe. Las soluciones existentes, como las estrategias 2.5D o la enseñanza cruzada, intentan cerrar esta brecha, pero las directrices para optimizar tales pipelines "de Escaso a Denso" permanecen ambiguas, particularmente en lo que respecta a la transferibilidad de las estrategias de optimización 2D a contextos 3D.

Metodología
Los autores proponen un marco de trabajo de tres etapas de Escaso a Denso que utiliza una arquitectura de Maestro 2D y Estudiante 3D, ambas basadas en nnU-Net v2.

1. Conjunto de datos: El estudio utiliza datos de IRM de médula espinal ex vivo de 9.4T de pacientes con EM (12 muestras, 43,719 cortes axiales). La verdad terrena consiste en 428 cortes segmentados manualmente en cuatro clases: SB Saludable, SG Saludable, Lesión SB y Lesión SG.
2. Etapa 1 (Maestro 2D): Un nnU-Net 2D se entrena con las anotaciones escasas. Los autores optimizaron sistemáticamente esta etapa probando modalidades de entrada (Magnitud vs. Fase), técnicas de preprocesamiento (CLAHE, estiramiento de contraste), aumento espacial y regularización de etiquetas suaves.
3. Etapa 2 (Generación de Pseudo-etiquetas): El Maestro 2D optimizado genera pseudo-etiquetas volumétricas densas para todo el conjunto de datos utilizando ensamblaje (validación cruzada de 4 pliegues) y Aumento en Tiempo de Prueba (TTA).
4. Etapa 3 (Estudiante 3D): Un nnU-Net 3D se entrena con las pseudo-etiquetas densas para aprender características volumétricas y consistencia longitudinal. Los autores aplicaron la misma optimización sistemática (preprocesamiento, aumento, etiquetas suaves) al Estudiante 3D para determinar si las estrategias 2D se transfieren eficazmente.
5. Evaluación: El rendimiento se evaluó utilizando la Puntuación Dice, la Distancia de Hausdorff del percentil 95 (HD95) y una nueva métrica de Consistencia Geométrica (Dice Inter-corte, DSCz) para medir la suavidad del eje Z.

Contribuciones Clave
El artículo presenta tres contribuciones principales:

1. La Divergencia de la Percepción: Evidencia empírica que demuestra que las técnicas de preprocesamiento optimizadas para la percepción visual humana (específicamente CLAHE y estiramiento de contraste) son perjudiciales para el rendimiento del aprendizaje automático en este dominio. Estos métodos degradaron las Puntuaciones Dice de Lesiones de SG en hasta 25 puntos porcentuales al interrumpir las estadísticas de intensidad globales esenciales para el modelo.
2. Necesidades de Regularización Divergentes: Identificación de un conflicto crítico en los pipelines de Escaso a Denso. Mientras que el aumento espacial agresivo y el etiquetado suave mejoraron significativamente al Maestro 2D (mejorando la detección de Lesión SB en >11 puntos Dice), estas mismas técnicas degradaron el rendimiento del Estudiante 3D.
3. Modelo de Acceso Abierto: La liberación de un modelo entrenado para segmentar SB, SG y lesiones de EM en IRM de médula espinal humana ex vivo, disponible a través de la Caja de Herramientas de la Médula Espinal.

Resultados

• Modalidades de Entrada: Los modelos de doble entrada (Magnitud + Fase) superaron a los modelos solo de magnitud, particularmente para la estabilidad de la Lesión SG y la precisión de los límites (HD95), confirmando la necesidad de datos de fase para resolver límites anatómicos finos.
• Preprocesamiento: Contrario a la hipótesis de que la mejora visual ayuda al modelo, aplicar CLAHE a imágenes de magnitud y estiramiento de contraste a imágenes de fase causó caídas severas en el rendimiento. La Dice de Lesión SG 2D cayó de 0.665 a 0.415 con CLAHE de magnitud. El modelo 3D mostró una degradación similar, aunque exhibió una resiliencia ligeramente mayor en las métricas de límites (HD95) para Lesión SG, lo que sugiere que el contexto volumétrico ofrece cierta protección contra la distorsión de textura.
• Aumento:
  • 2D: El aumento espacial agresivo (rotaciones, escalado, cizallamiento) fue crítico. Sin él, la Dice de Lesión SB cayó a 0.631; con aumento moderado (Aug2), alcanzó 0.743.
  • 3D: Se observó la tendencia opuesta. El Estudiante 3D logró su máximo rendimiento (Dice Promedio Total 0.772) con ningún aumento espacial. Introducir aumento degradó el rendimiento, con los ajustes más agresivos causando un colapso en la fidelidad de los límites.
• Etiquetas Suaves:
  • 2D: El etiquetado suave (Soft Seg 2) mejoró el rendimiento, elevando la Dice de Lesión SB a 0.744 y refinando la precisión de los límites.
  • 3D: El etiquetado suave no proporcionó beneficio y empeoró ligeramente los resultados. Los autores sugieren que las pseudo-etiquetas generadas por el ensamblaje 2D ya suavizan la incertidumbre, haciendo que la regularización adicional de pérdida suave sea contraproducente (sobre-suavizado).
• Consistencia Volumétrica: La transición de 2D a 3D produjo una ganancia significativa en continuidad geométrica. La apilación ingenua de predicciones 2D resultó en un bajo Dice Inter-corte (DSCz) de 0.785, mientras que el Estudiante 3D alcanzó 0.900. Sin embargo, esta suavidad vino con una compensación: el Estudiante 3D tuvo un HD95 ligeramente mayor (1.00 mm) en comparación con el Maestro 2D optimizado (0.72 mm), lo que indica un cambio de la adherencia estricta al contorno en el plano a la plausibilidad biológica.

Significado y Afirmaciones
El artículo afirma que la transición de 2D a 3D en el aprendizaje débilmente supervisado no es meramente un truco de inferencia, sino un cambio fundamental en la dinámica de aprendizaje. Los autores argumentan que las arquitecturas 3D entrenadas con pseudo-etiquetas densas exhiben paisajes de optimización diferentes a sus contrapartes 2D. Específicamente, los riesgos de "aprendizaje por atajo" que requieren aumento agresivo en configuraciones 2D escasas se mitigan en 3D por la densidad de las pseudo-etiquetas, haciendo que dicho aumento sea perjudicial. De manera similar, el modelado de incertidumbre beneficioso para la imitación de evaluadores humanos en 2D se vuelve redundante o destructivo cuando el modelo 3D se entrena con predicciones de ensamblaje ya promediadas.

El estudio concluye que las prácticas estándar de visión por computadora (preprocesamiento centrado en el humano, aumento agresivo, etiquetado suave) no pueden transferirse ciegamente de tareas de segmentación médica 2D a 3D. En cambio, los modelos 3D entrenados con pseudo-etiquetas densas requieren una estrategia de regularización distinta y conservadora que priorice la consistencia volumétrica sobre las técnicas específicas de reducción de ruido requeridas para el entrenamiento 2D escaso. Este trabajo desafía la suposición de que "más datos" (pseudo-etiquetas densas) simplemente permiten la aplicación directa de heurísticas de optimización 2D, destacando una "brecha dimensional" en las necesidades de regularización.