C2RM-Seg: Causal Counterfactual Reasoning with Structural-Semantic Priors for Weakly Supervised Histopathological Tissue Segmentation

Resumen Técnico: C2RM-Seg

Planteamiento del Problema
La Segmentación Semántica Débilmente Supervisada (WSSS, por sus siglas en inglés) es un enfoque crítico para el análisis de tejidos histopatológicos, ofreciendo una alternativa escalable a las costosas anotaciones densas a nivel de píxel que dependen de expertos, requeridas por los métodos totalmente supervisados. Sin embargo, los métodos actuales de WSSS suelen depender del Mapeo de Activación de Clases (CAM) para generar pseudo-etiquetas toscas. El artículo identifica un fallo fundamental en los enfoques actuales basados en CAM: tienden a centrarse en claves de apariencia impulsadas por la tinción (p. ej., variaciones de color, artefactos del escáner) en lugar de la verdadera morfología tisular causal. Esto conduce a una "localización espuria", donde las pseudo-máscaras están sistemáticamente sesgadas por un contexto de confusión, lo que resulta en una consistencia estructural y fidelidad de bordes deficientes. Además, los refinamientos arquitectónicos estándar o el reponderado de pérdida a menudo no logran resolver estos desalineamientos causales subyacentes cuando las propias pseudo-etiquetas se generan a partir de características sesgadas.

Metodología
Los autores proponen C2RM-Seg, un marco de dos etapas diseñado para abordar el desalineamiento causal y la inconsistencia estructural a través de tres componentes principales:

1. Módulo de Razonamiento Contrafáctico Causal (C2RM):

   • Objetivo: Generar pseudo-etiquetas de alta fidelidad eliminando los efectos de confusión de las representaciones de características.
   • Mecanismo: El módulo opera bajo un Modelo Causal Estructural (SCM). Descompone las características del codificador en factores latentes ($Z$) que representan tanto la morfología ($M$) como las variables de estilo/adquisición de confusión ($S$).
   • Intervención Contrafáctica: Una matriz de estructura causal aprendible ($A$) modela las dependencias entre estos factores. El módulo estima la contribución de confusión ($E$) de los factores de estilo sobre la representación latente y realiza una intervención contrafáctica ($Z^{cf} = Z - E$) para restar estos efectos.
   • Resultado: Este proceso suprime los componentes explicables por factores de estilo o de fondo que co-varían (p. ej., texturas de tinción) mientras preserva las señales dominantes de la morfología, resultando en CAMs más limpios para la generación de pseudo-máscaras.

2. Arquitectura de Doble Ruta Estructural-Semántica:

   • Objetivo: Cerrar la brecha entre la fidelidad morfológica local y la semántica patológica global durante la fase de entrenamiento de la segmentación.
   • Rama Estructural: Utiliza un backbone ResNeSt-200e para extraer características espaciales de alta resolución y multiescala que representan las texturas tisulares locales.
   • Rama Semántica: Aprovecha un modelo fundacional DINOV3 (Vision Transformer) congelado para proporcionar descriptores semánticos globales robustos. Los parámetros del backbone permanecen congelados para evitar el sobreajuste a las pseudo-etiquetas ruidosas, mientras que un adaptador aprendible proyecta las incrustaciones (embeddings) en el manifold estructural.
   • Puerta de Doble Ruta (Cross-Path Gating): Un mecanismo de puerta regula adaptativamente la inyección de características semánticas globales en la rama estructural. Utiliza claves estructurales locales para ponderar la contribución semántica, asegurando que la semántica global se concentre en regiones con alta saliencia estructural, preservando así la integridad de los bordes.

3. Pérdida de Margen con Puerta de Incertidumbre (UGM):

   • Objetivo: Mitigar el ruido residual en las pseudo-etiquetas imperfectas durante la optimización.
   • Mecanismo: La pérdida equilibra dinámicamente dos objetivos basados en la incertidumbre de la predicción ($u_i$): la imposición de margen (para predicciones confiables) y la maximización de la confianza (para regiones inciertas).
   • Función: Para los píxeles de baja incertidumbre, el modelo prioriza la expansión del margen de la frontera de decisión. Para los píxeles de alta incertidencia (potencialmente mal etiquetados), revierte a una penalización conservadora basada en la confianza para evitar penalizar excesivamente las muestras ambiguas.

Contribuciones Clave

• Identificación del Sesgo Causal: El artículo identifica que los métodos basados en CAM están sesgados hacia la apariencia impulsada por la tinción en lugar de la morfología tisular causal.
• Módulo C2RM: La propuesta de un módulo causal contrafáctico que elimina explícitamente el contexto de confusión para producir pseudo-etiquetas de alta fidelidad.
• Marco de Doble Ruta: Una novedosa arquitectura de segmentación que integra ResNeST con descriptores previos de DINOV3 mediante una puerta de doble ruta, asegurando una semántica global que preserva los bordes.
• Pérdida UGM: Una función de pérdida consciente de la incertidumbre que permite una optimización tolerante al ruido.
• Rendimiento de Vanguardia (SOTA): El marco logra resultados superiores en benchmarks públicos en comparación con los métodos de WSSS existentes e incluso con modelos fundacionales provocados (prompted) con las pseudo-etiquetas generadas.

Resultados Experimentales
Se realizaron experimentos extensos en dos conjuntos de datos histopatológicos públicos: BCSS (cáncer de mama) y LUAD-HistoSeg (adenocarcinoma de pulmón).

• Rendimiento: C2RM-Seg logró un rendimiento de vanguardia en ambos conjuntos de datos. En BCSS-WSSS, alcanzó un 72.17% mIoU y 27.31 HD95, superando al competidor líder ESFAN. En LUAD-HistoSeg, logró un 79.62% mIoU y 18.07 HD95.
• Calidad de Bordes: El método demostró una mejora significativa en la fidelidad de los bordes (bIoU) y una reducción de falsos positivos en regiones morfológicamente ambiguas en comparación con las líneas base.
• Eficiencia: A pesar de integrar el razonamiento causal y los descriptores de modelos fundacionales, el modelo mantiene una eficiencia computacional competitiva (191.47 GFLOPs, 86.08 FPS).
• Estudios de Ablación: Los resultados confirmaron que cada componente (C2RM, Dual-Path, UGM) mejora independientemente la línea base, siendo el modelo completo el que arroja los mejores resultados. Las visualizaciones t-SNE demostraron que C2RM desentrelaza con éxito las representaciones sesgadas por la tinción en clusters compactos y semánticamente separables.

Significancia y Reivindicaciones
El artículo afirma que C2RM-Seg aborda fundamentalmente el problema persistente de la confusión histológica en el aprendizaje débilmente supervisado. Al formular la generación de CAM dentro de un Modelo Causal Estructural riguroso y ejecutar intervenciones contrafácticas, el enfoque sintetiza pseudo-máscaras que son fieles a la morfología del tejido en lugar de a los artefactos de tinción. Los autores sostienen que este deconfusión causal, combinado con la fusión sinérgica de los descriptores estructurales y de modelos fundacionales, establece un nuevo estado del arte para la segmentación de tejidos histopatológicos débilmente supervisada, ofreciendo una solución robusta y escalable para el diagnóstico asistido por computadora sin la necesidad de anotaciones densas.