BTI-Net: Bidirectional Decoder-Level Task Interaction via Uncertainty-Aware Gating for Multi-Task Medical Image Analysis

Resumen Técnico de BTI-Net

Planteamiento del Problema
Las arquitecturas actuales de Aprendizaje Multitarea (MTL) para el análisis de imágenes médicas dependen predominantemente de diseños de codificador compartido, donde un extractor de características compartido alimenta cabezales de decodificación independientes. Aunque es eficiente, este enfoque restringe la comunicación entre tareas a un cuello de botella grueso, descartando permanentemente señales valiosas una vez que los decodificadores divergen. Específicamente, las tareas de segmentación generan pistas de contorno precisas que podrían desambiguar la clasificación, mientras que las tareas de clasificación acumulan prioridades semánticas globales que podrían resolver regiones espaciales ambiguas. Los métodos de interacción de decodificadores existentes (p. ej., MTI-Net, DenseMTL) intentan cerrar esta brecha, pero sufren dos limitaciones críticas: a menudo propagan la información de manera unidireccional o aplican pesos de mezcla fijos por muestra. Estas estrategias fijas no logran dar cuenta de la variabilidad inherente en las imágenes médicas, donde la fiabilidad de la interacción entre tareas fluctúa significativamente según el tipo de patología, las condiciones de imagen y la morfología de la lesión. Además, muchos mecanismos de interacción existentes incurren en altos costos computacionales o requieren anotaciones externas para adaptarse a la dificultad de la muestra.

Metodología
El marco propuesto BTI-Net aborda estas limitaciones estableciendo una comunicación bidireccional en cada nivel del decodificador, regulada por un mecanismo de compuerta (gating) adaptativo. La arquitectura aumenta un codificador EfficientNet-B4 con dos componentes principales:

1. Módulos de Interacción de Tareas (TIM):
   El TIM facilita el flujo de información bidireccional a través de cuatro resoluciones de decodificador ($D_1$ a $D_4$), progresando desde la semántica gruesa hasta los detalles finos de los contornos.

   • Vía Seg$\to$Clf: El contexto de contorno espacial recuperado por el decodificador se inyecta en el vector de clasificación mediante un residuo con compuerta. Una convolución de 1$\times$1 reduce el mapa del decodificador, seguido de un promedio global (global average pooling) y una proyección aprendida para generar un resumen espacial. Esto es regulado por una función sigmoide para seleccionar las pistas relevantes por muestra.
   • Vía Clf$\to$Seg: Las prioridades semánticas globales de la rama de clasificación modulan multiplicativamente el mapa de características del decodificador. El vector de clasificación se proyecta al espacio de canales del decodificador y se combina con una compuerta propia (self-gate) derivada de las características del decodificador para amplificar solo los canales consistentes con la prioridad semántica.
   • Ambas vías operan en paralelo sobre las características previas a la interacción para evitar el doble conteo, con características refinadas que se propagan progresivamente a través de la pila del decodificador.

2. Atención de Proxy de Incertidumbre (UPA):
   Reconociendo que la interacción entre tareas no es uniformemente beneficiosa (p. ej., en entradas de bajo contraste o ambiguas), el UPA introduce una compuerta adaptativa por instancia y por nivel.

   • Señales de Incertidumbre: El UPA utiliza tres señales interpretables derivadas sin anotaciones externas ni pasadas de inferencia adicionales:
     1. Alineación entre tareas ($a_\ell$): Mide la similitud de coseno entre los desplazamientos latentes de ambas ramas.
     2. Energía del gradiente de segmentación ($E_{seg}$): Captura la complejidad de la escena mediante el valor absoluto de la media del gradiente espacial del mapa del decodificador.
     3. Dispersión de activación de clasificación ($E_{clf}$): Distingue predicciones confiables de inciertas utilizando la log-varianza del vector de clasificación.
   • Compuerta Adaptativa: Un MLP de dos capas mapea estas señales a pesos sigmoides independientes ($w_{seg}, w_{clf}$) para cada tarea. A diferencia de la función softmax, las sigmoides independientes permiten que ambas tareas se mejoren simultáneamente cuando la interacción es fiable.
   • Entrenamiento: Las compuertas se entrenan utilizando una pérdida auxiliar sensible a la dificultad ($L_{gate}$) que alinea los pesos de la compuerta con el rendimiento de la tarea por muestra (derivado de soft-IoU y confianza de predicción), asegurando que la compuerta aprenda a suprimir la interacción en muestras difíciles.

Contribuciones Clave

1. TIM: Un novedoso mecanismo de interacción de decodificador de nivel bidireccional que propaga características espaciales refinadas y prioridades semánticas a través de las cuatro resoluciones del decodificador mediante operaciones de compuerta por canal.
2. UPA: Una estrategia de compuerta adaptativa por instancia y por nivel impulsada por tres proxies de incertidumbre interpretables. Permite una fuerza de interacción dinámica sin la sobrecarga de anotaciones externas o de muestreo de Bayesian.
3. Validación Multimodal: Evaluación exhaustiva en tres benchmarks médicos diversos (ultrasonido, dermoscopia y RM cerebral), incluyendo la primera evaluación de interacción de decodificador MTL en el conjunto de datos BRISC.

Resultados Experimentales
El marco fue evaluado en tres benchmarks públicos: BUSI (ultrasonido de mama), HAM10000 (dermoscopia) y BRISC (RM cerebral).

• Rendimiento: BTI-Net superó consistentemente tanto a los baselines de codificador compartido (p. ej., MTAN, MTANet) como a los métodos previos de interacción de decodificador (p. ej., MTI-Net, DenseMTL).
  • En BUSI, alcanzó un IoU de segmentación del 74.50% y una precisión de clasificación del 93.16%.
  • En HAM10000, alcanzó un IoU del 89.80% y una precisión del 87.84%.
  • En BRISC, logró un IoU del 76.74% y una precisión de clasificación del 99.10%.
• Estudios de Ablación:
  • La compuerta adaptativa (UPA) contribuyó con un +2.36 de IoU adicional sobre la interacción bidireccional fija.
  • El modelo completo mejoró la precisión de clasificación hasta en un +2.26 de puntos sobre el baseline multitarea más fuerte.
  • Eliminar la regularización sensible a la dificultad causó una caída de -0.53 de IoU, confirmando la necesidad de la supervisión directa sobre la dificultad de la muestra.
• Eficacia del Proxy de Incertidumbre: El UPA sirvió como una señal de fallo fiable de una sola pasada. En el conjunto de datos BUSI, los pesos de la compuerta superaron a los 30 pasos de Monte Carlo Dropout tanto en AUC-ROC como en AUPRC para la detección de fallos de segmentación.

Significado y Reivindicaciones
El artículo afirma que BTI-Net aborda una brecha crítica en el análisis de imágenes médicas al permitir el refinamiento entre tareas durante la reconstrucción espacial, una fase que ha sido previamente ignorada por los modelos de codificador compartido. El significado radica en la demostración de que la interacción bidireccional adaptativa es superior a los enfoques fijos o unidireccionales, particularmente en conjuntos de datos médicos heterogéneos donde la patología y las condiciones de imagen varían ampliamente. Los autores enfatizan que su método extrae señales de tareas complementarias (contornos de bordes y prioridades semánticas) sin la sobrecarga computacional del muestreo estocástico o la necesidad de anotaciones externas de dificultad. Los resultados sugieren que la interacción a nivel de decodificador, cuando es regulada por la incertidumbre específica de la instancia, puede mejorar significativamente tanto la precisión de la segmentación como la robustez de la clasificación a través de múltiples modalidades de imagen.