Resumen Técnico: Segmentación de Imágenes Médicas Federada bajo Ruido de Etiquetas del Mundo Real

Declaración del Problema

El Aprendizaje Federado (FL, por sus siglas en inglés) facilita la segmentación colaborativa de imágenes médicas sin centralizar datos sensibles. Sin embargo, su despliegue en el mundo real se ve obstaculizado por el ruido de etiquetas derivado de la variabilidad inter-evaluador, errores de anotación y generación automática de etiquetas. En la segmentación, este ruido se manifiesta como inconsistencias en los contornos, instancias objetivo faltantes o adicionales, y confusión de etiquetas de clase. Estas imperfecciones degradan el rendimiento del modelo y pueden propagarse a través de los flujos de trabajo clínicos.

Aunque el Aprendizaje de Etiquetas Ruidosas Federado (FNLL) busca mitigar estos efectos, su adopción práctica es limitada. Las investigaciones existentes dependen excesivamente de ruido sintético, escenarios de ruido de clientes simplificados y conjuntos de datos reducidos, fallando en capturar la complejidad de los entornos federados del mundo real donde la heterogeneidad de los datos y las anotaciones es intrínseca. Además, la falta de un benchmark estandarizado impide una evaluación sistemática y una selección de métodos informada para tipos de ruido y escenarios de despliegue específicos.

Metodología

Los autores introducen un conjunto de pruebas (benchmark suite) integral diseñado para evaluar los métodos de FNLL bajo condiciones realistas. El conjunto integra cuatro componentes principales:

1. Conjuntos de Datos con Ruido de Etiquetas del Mundo Real

El benchmark utiliza seis conjuntos de datos curados de segmentación de imágenes médicas que cubren diversas modalidades (CT, Fondo de ojo, Microscopía, RM) y dominios clínicos (torácico, retinal, próstata, tumores de ratón, multi-órgano).

• Fuente de Ruido: Las etiquetas se derivan de la variabilidad inter-evaluador inherente (conjuntos de datos multi-evaluador) o de etiquetas generadas automáticamente, en lugar de corrupción sintética.
• Verdad de Campo (Ground Truth): Las referencias limpias se establecen mediante votación por mayoría, fusión STAPLE o anotaciones de expertos.
• Tipos de Ruido: Los conjuntos de datos exhiben una mezcla de desacuerdo de contornos, instancias faltantes/adicionales y confusión de clases.

2. Marco de Evaluación Federada (Federated Benchmarking Framework)

• Arquitectura: Construido sobre una adaptación federada de nnU-Net, asegurando un preprocesamiento adaptativo a la tarea y configuraciones de red consistentes entre clientes.
• Escenarios de Ruido de Cliente: Se evalúan cuatro escenarios para probar la robustez:
  • Clean (Limpio): Todos los clientes utilizan etiquetas limpias.
  • Noisy (Ruidoso): Todos los clientes utilizan etiquetas ruidosas.
  • Ratio of Clients (roc): Una fracción $p$ de los clientes son totalmente ruidosos.
  • Ratio on All (roa): Cada cliente contiene una fracción $p$ de muestras ruidosas.
• Métricas de Evaluación:
  • Generales: Puntuación Dice (basada en el solapamiento).
  • Específicas de Ruido: HD95 (desacuerdo de contorno), F1 a nivel de instancia (estructuras faltantes/adicionales) y Confusión de Clase (intercambio de etiquetas).
  • Rigor Estadístico: Se utilizan el remuestreo de Bootstrap (1000 iteraciones) y las pruebas de rango firmado de Wilcoxon de un solo lado con corrección de Holm-Bonferroni para evaluar la significancia frente al baseline.

3. Métodos de FNLL Evaluados

Se comparan cinco métodos representativos contra el baseline estándar FedAvg:

• FedA³I (Agregación consciente del ruido): Estima la fiabilidad del cliente mediante un Modelo de Mezcla Gaussiana (GMM) para reponderar las actualizaciones, apuntando al sesgo de contorno.
• IOP-FL (Personalización robusta al ruido): Adapta los modelos a las distribuciones específicas de cada cliente fusionando información de gradiente local y global.
• FedCorr (Corrección de etiquetas): Identifica clientes ruidosos y refina las etiquetas utilizando predicciones globales y regularización proximal sin requerir datos de validación limpios.
• FedSelect (Selección de muestras): Utiliza estrategias aprendidas mediante meta-aprendizaje para seleccionar muestras informativas y ponderar clientes basados en la dinámica de entrenamiento.

4. Configuración Experimental

Los conjuntos de datos se particionan en 3 a 5 clientes basados en factores clínicamente significativos (por ejemplo, escáner, centro, evaluador). Los hiperparámetros se optimizan mediante búsqueda de cuadrícula (grid search) para maximizar el rendimiento promedio en los conjuntos de datos.

Resultados Clave

Análisis de Datos

El ruido de etiquetas del mundo real rara vez es aislado; frecuentemente ocurre en combinaciones. GleasonHD exhibió el ruido más severo y heterogéneo, mientras que RIGA y MouseT mostraron un ruido predominantemente impulsado por contornos. MMIA se caracterizó principalmente por estructuras objetivo faltantes o adicionales.

Rendimiento de los Métodos

• Mejor Desempeño: FedSelect emergió como el método de FNLL más fuerte en general, demostrando una alta estabilidad de rango y un rendimiento consistente a través de conjuntos de datos, tipos de ruido y escenarios.
• Competidor: IOP-FL fue el principal competidor, logrando a menudo las mejores puntuaciones Dice en comparaciones específicas de dataset-escenario, particularmente en entornos dominados por contornos.
• Baseline: FedAvg se mantuvo como un baseline fuerte y competitivo. En muchos casos, los métodos dedicados de FNLL no superaron significativamente a FedAvg, lo que resalta que la superioridad de FNLL no es universal.
• Bajo Desempeño: FedA³I y FedCorr mostraron las ganancias menos consistentes, fallando frecuentemente en mejorar sobre FedAvg en los escenarios probados.

Robustez y Especificidad

• Sensibilidad al Escenario: El escenario roc (clientes parcialmente ruidosos) causó una degradación de rendimiento más significativa que el escenario roa (ruido parcial dentro de todos los clientes).
• Especificidad del Tipo de Ruido:
  • Ruido de Contorno (HD95): FedSelect consistentemente igualó o superó a FedAvg.
  • Ruido de Instancia (F1): FedSelect e IOP-FL fueron los más fuertes.
  • Confusión de Clase: FedSelect clasificó mejor, aunque los resultados fueron limitados por el único dataset (GleasonHD) disponible para esta métrica.
• Degradación vs. Rendimiento Absoluto: Aunque FedSelect logró las puntuaciones Dice absolutas más altas, FedCorr mostró la menor degradación relativa respecto al baseline limpio en escenarios altamente ruidosos (roc) y totalmente ruidosos, impulsado en gran medida por su desempeño en el difícil dataset GleasonHD.

Contribuciones y Significado

El artículo reclama las siguientes contribuciones:

1. Conjunto de Pruebas (Benchmark Suite): Un marco reutilizable y de código abierto (disponible en MIC-DKKZ/FedSegNoiseBench) que combina diversos conjuntos de datos ruidosos del mundo real, un marco de entrenamiento federado y protocolos de evaluación dirigidos al ruido.
2. Evaluación Sistemática: La primera evaluación exhaustiva de los métodos de FNLL a través de múltiples tipos de ruido del mundo real y escenarios de ruido de cliente, yendo más allá de las limitaciones del ruido sintético.
3. Guía de Decisión: Una guía accionable (Tabla 4) que vincula las características observadas del ruido de etiquetas y los escenarios de ruido de cliente con las estrategias de FNLL adecuadas, apoyando la selección informada de métodos en el despliegue.
4. Recurso para la Comunidad: Un fundamento para el benchmarking justo, la caracterización del ruido específico de cada dataset y el desarrollo de métodos futuros bajo entornos federados realistas.

Conclusión

El estudio concluye que, si bien FedSelect es el método de FNLL más robusto y consistente en general, la elección del método depende altamente del tipo de ruido y del escenario de ruido de cliente. El benchmark demuestra que los métodos dedicados de FNLL no superan universalmente a FedAvg; más bien, su utilidad depende del contexto. Al proporcionar una base realista y discriminativa para la evaluación, el conjunto permite a la comunidad de imágenes médicas pasar de las suposiciones sintéticas a las decisiones basadas en datos para la segmentación federada en entornos ruidosos del mundo real.