Intra-YOLO: A Small Object Detection Model for Caries and Molar-Incisor Hypomineralization in Intraoral Photography Based on Transfer Learning with Reinforcement Learning

Resumen Técnico: Intra-YOLO para la Detección de Objetos Pequeños en Fotografía Intraoral

Enunciado del Problema
El artículo aborda el desafío clínico de diferenciar entre caries dentales y Hipomineralización de Molar-Incisivo (MIH) utilizando fotografía intraoral. Aunque ambas condiciones presentan similitudes, sus etiologías y tratamientos difieren significativamente; la MIH es un defecto del desarrollo, mientras que la caries resulta de la desmineralización bacteriana. El diagnóstico preciso se ve obstaculizado por el pequeño tamaño de las lesiones (más del 78% de las lesiones anotadas ocupan menos del 0,58% del área de la imagen), la variabilidad en las condiciones de imagenación (por ejemplo, contaminación por saliva, iluminación) y la naturaleza subjetiva de los exámenes visuales realizados por los clínicos. La investigación existente se ha centrado en gran medida en la imagen radiográfica o en la clasificación de dientes individuales, dejando un vacío en los sistemas de detección automatizada de boca completa capaces de manejar lesiones pequeñas y de escala variable en entornos intraorales complejos.

Metodología
Los autores proponen Intra-YOLO, un marco de aprendizaje profundo optimizado para la detección de objetos pequeños, construido sobre la arquitectura YOLOX. La metodología integra varias técnicas avanzadas:

1. Paradigma Maestro-Estudiante con Aprendizaje por Transferencia:

   • Modelo Maestro (S-YOLO): Entrenado en parches de imagen recortados de alta resolución (640×640 píxeles) para maximizar la extracción de características de las lesiones pequeñas. Este modelo incorpora:
     • Mecanismos de Atención SSM (Modelado de Espacio de Estados): Para suprimir el ruido y la interferencia del fondo.
     • S-PAFPN (Red de Pirámide de Características Mejorada): Combina detalles de alta resolución de mapas de características grandes con información semántica de las primeras capas del esqueleto para preservar características de grano fino.
     • Inferencia Recortada (Sliced Inference): Aplicada para manejar eficazmente el pequeño tamaño de las lesiones.
   • Modelo Estudiante: Entrenado en imágenes intraorales de tamaño completo para integrar tanto características localizadas como globales.

2. Aprendizaje por Refuerzo (RL) para la Distilación de Conocimiento:

   • En lugar de una distilación estática, el marco emplea un agente de RL (utilizando Optimización de Política Proximal, PPO) para decidir dinámicamente qué cajas delimitadoras predichas por el maestro deben usarse como pseudoetiquetas para el estudiante.
   • La decisión del agente se basa en una función de recompensa que considera el tamaño de la lesión, la puntuación de confianza del maestro y la incertidumbre de la predicción del estudiante (medida mediante la pérdida de entropía). Esto asegura que el estudiante se enfoque en casos de aprendizaje de "alto valor", particularmente para lesiones pequeñas y de tamaño variable.

3. Procesamiento de Datos:

   • El estudio utilizó un conjunto de datos clínico de 822 imágenes intraorales del Hospital Municipal Wanfang de Taipéi, que contenía 3.583 anotaciones de caries y 4.443 de MIH.
   • El conjunto de entrenamiento se aumentó recortando las imágenes en parches, resultando en 6.417 imágenes recortadas con más de 12.000 cajas delimitadoras para mitigar el desequilibrio de fondo y aumentar las muestras de entrenamiento válidas.

Contribuciones Clave

• Marco Intra-YOLO: Una arquitectura novedosa diseñada específicamente para la detección dual de caries y MIH en fotografía intraoral, abordando el desafío específico de los tamaños de lesión extremadamente pequeños.
• Distilación Consciente de la Escala: La integración del aprendizaje por refuerzo en el proceso de distilación de conocimiento permite una selección adaptativa de muestras de entrenamiento, mejorando la capacidad del modelo para aprender de objetivos difíciles y de pequeña escala sin introducir supervisión ruidosa.
• Fusión de Características Mejorada: El desarrollo del módulo S-PAFPN y la aplicación de mecanismos de atención SSM específicamente adaptados para imágenes intraorales para mejorar la fusión de características multiescala y la supresión de ruido.

Resultados
El modelo se evaluó en un conjunto de datos clínico retenido utilizando la Precisión Promedio Media (mAP) y mAP50 (en IoU 0,5).

• Rendimiento: Intra-YOLO logró una mAP de 23,1% y una mAP50 de 47,8%.
• Comparaciones:
  • Superó al S-YOLO de referencia (sin distilación RL), que logró 22,0% de mAP y 44,2% de mAP50.
  • Superó significativamente a otros modelos de extremo a extremo, incluidos detectores de dos etapas (Faster R-CNN, DETR, DAB-DETR) que oscilaron entre 12,4% y 16,7% de mAP, y detectores de una sola etapa como YOLOv5 y YOLOX estándar con inferencia recortada (19,7% de mAP).
• Ablación: Los experimentos confirmaron que la estrategia de distilación adaptativa basada en PPO produjo los mejores resultados en comparación con las estrategias de umbralización estática, con mejoras específicas en la detección de objetos pequeños (mAP alcanzando 18,3%).

Significado y Afirmaciones
El artículo afirma que Intra-YOLO proporciona un sistema de diagnóstico asistido por computadora (CAD) capaz de detectar caries y MIH en fotografías intraorales de manera precisa y eficiente. Los autores postulan que este sistema puede:

• Reducir la variabilidad diagnóstica y la subjetividad entre los clínicos.
• Apoyar la planificación de tratamientos oportuna y basada en evidencia al proporcionar referencias objetivas para la localización y clasificación de lesiones.
• Facilitar la toma de decisiones clínicas más temprana.

Los autores mantienen un tono modesto, reconociendo que, aunque los resultados son prometedores, se requiere una validación adicional en conjuntos de datos más grandes y diversos antes de que el sistema pueda integrarse completamente en la práctica dental rutinaria. Enfatizan que el sistema está diseñado para apoyar a los clínicos en lugar de reemplazarlos, apuntando específicamente a la reducción de diagnósticos erróneos entre lesiones visualmente similares.