MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification

Resumen Técnico: MSA-DCNN

Planteamiento del Problema
Los métodos actuales de aprendizaje profundo para la clasificación de imágenes médicas enfrentan dos desafíos primarios: la incapacidad de manejar eficazmente la variabilidad morfológica multiescala debido a mecanismos de muestreo fijos, y un desempeño deficiente bajo condiciones de datos anotados limitados. Las Redes Neuronales Convolucionales (CNN) estándar heredan campos receptivos fijos y un muestreo uniforme, lo que a menudo falla al alinearse con las texturas heterogéneas y la variabilidad estructural inherente a las imágenes médicas (p. ej., radiografías, histopatología y microscopía). Aunque existen remedios previos como los módulos de atención y los diseños multiescala, estos suelen depender de una agregación global que oscurece pistas sutiles, mantienen núcleos fijos que no adaptan el muestreo a través de las escalas y carecen de supervisión interna para fortalecer las capas superficiales en regímenes de datos limitados. Además, los enfoques existentes típicamente abordan el muestreo adaptativo, la atención y la fusión de forma aislada en lugar de conjunta.

Metodología
Los autores proponen MSA-DCNN (Red Neuronal Convolucional Deformable con Atención Multiescala), un marco unificado diseñado para el aprendizaje consistente de escala bajo heterogeneidad estructural y escasez de etiquetas. La arquitectura se construye alrededor de tres principios establecidos integrados en un único esquema de optimización:

1. Optimización del Campo Receptivo Adaptativo: El modelo emplea convoluciones deformables dentro de etapas Inception compactas. En lugar de cuadrículas fijas, los desplazamientos aprendibles ($\Delta p_k$) permiten que la cuadrícula de muestreo se desplace de forma adaptativa en cada escala, alineándose mejor con patrones estructuralmente heterogéneos.
2. Refinamiento de Saliencia Específico de Escala: Dentro de cada rama deformable, se aplica un Módulo de Atención de Bloque Multicanal (MCBAM) con agrupación por subbloques (sub-block pooling). Este módulo realiza una recalibración de canales y espacial para preservar detalles morfológicos finos. Utiliza la agrupación por subbloques para mejorar la eficiencia computacional y regular las distribuciones de características bajo una supervisión limitada.
3. Integración de Escala Cruzada Consciente del Contenido: Las características de diferentes escalas se proyectan a una resolución común y se fusionan mediante un mecanismo de atención multiescala aprendido. Este operador computa pesos dependientes del contenido a través de las escalas para producir una representación unificada.
4. Autodestilación Auxiliar: Para abordar la escasez de etiquetas, una cabeza auxiliar conectada a la primera etapa impone un alineamiento semántico trans-escala. Al minimizar la divergencia KL entre las representaciones superficiales y profundas (mediante un soft-max escalado por temperatura), el modelo alinea los colectores semánticos (semantic manifolds) a través de los niveles de resolución, actuando como una restricción geométrica que regulariza los desplazamientos deformables tempranos.

El objetivo total de entrenamiento combina la entropía cruzada ponderada por clase, la pérdida focal (focal loss, para el desequilibrio de clases) y la pérdida de autodestilación.

Contribuciones Clave
El artículo introduce un marco de CNN compacto que aprende conjuntamente dónde muestrear, qué enfatizar y cómo combinar características. Las contribuciones específicas incluyen:

• Un marco de aprendizaje consistente de escala que integra el muestreo adaptativo, el refinamiento de la saliencia dentro de la escala y la fusión aprendida de escala cruzada.
• El módulo MCBAM, que refina las características dentro de cada rama deformable utilizando agrupación por subbloques para mantener la eficiencia y el detalle.
• Un operador de atención multiescala aprendido que realiza una selección adaptativa al contenido a través de los embeddings proyectados, un mecanismo que no ha sido estudiado explícitamente en las CNN basadas en atención o deformables previas.
• La integración de la autodestilación para imponer el alineamiento semántico a través de las escalas, promoviendo una geometría de representación coherente y mejorando el desempeño en regímenes de pocas etiquetas.

Resultados
Los autores evaluaron MSA-DCNN en tres referentes públicos (C-NMC para células de leucemia, PBC para células sanguíneas periféricas e ISIC-2020 para imágenes dermoscópicas) y un conjunto de datos externo de leucemia reservado. Los hallazgos clave incluyen:

• Desempeño: MSA-DCNN demostró un desempeño competitivo y, a menudo, superior frente a los modelos base de Vision Transformer (ViT) (p. ej., DeiT-S, DINOv2-S), CNNs compactas (Inception-v3, EfficientNet-B3), modelos base de convolución deformable (DGConv) y métodos semi-supervisados (TS-MS).
• Métricas: El modelo logró mayores valores de Precisión, F1-score y AUC (para tareas binarias) en todos los conjuntos de datos. Por ejemplo, en el conjunto de datos C-NMC, alcanzó un AUC de 0.96 (frente a 0.94 de DGConv) y en ISIC-2020, un AUC de 0.97.
• Eficiencia: A pesar de la complejidad añadida de la atención y los mecanismos deformables, MSA-DCNN utilizó significativamente menos parámetros (5.25M) en comparación con la mayoría de los modelos base (que oscilan entre 7.98M y 23.9M).
• Robustez: El modelo mantuvo su desempeño bajo cambios de distribución (probados en el conjunto externo reservado) y mostró una eficiencia de etiquetas mejorada, superando a los modelos base cuando se entrenó con fracciones reducidas de datos etiquetados (20%–50%).
• Estudios de Ablación: Los experimentos confirmaron que cada componente (Convolución Deformable, Atención de Saliencia Específica de Escala, Atención Multiescala y Autodestilación) contribuye de forma aditiva al desempeño final, siendo la configuración completa la que arroja los mejores resultados.

Significancia
El artículo afirma que MSA-DCNN sirve como una base práctica para la clasificación de imágenes médicas con eficiencia de datos. Al unificar el muestreo adaptativo, la atención y la fusión bajo un único objetivo, el marco aborda las limitaciones del muestreo fijo y el entrenamiento ávido de datos. Los autores postulan que el enfoque de consistencia de escala permite que el modelo se generalice efectivamente a la anatomía estructuralmente heterogénea incluso con anotaciones limitadas. Los resultados sugieren que el método propuesto ofrece una alternativa robusta tanto para las CNN estándar como para los Transformers de gran escala en tareas médicas donde la escasez de datos y la variabilidad morfológica son restricciones críticas. Se señala que el trabajo futuro se centrará en la inferencia consciente de la incertidumbre y en una interpretabilidad mejorada para el soporte de decisiones clínicas.