Resumen Técnico: Investigación de las Claves Visuales de las CNN para la Segmentación Vascular

Planteamiento del Problema

La segmentación de vasos sanguíneos es un procedimiento crítico para diagnosticar condiciones que van desde la retinopatía diabética hasta enfermedades neurodegenerativas. Sin embargo, las Redes Neuronales Convolucionales (CNN) utilizadas para esta tarea suelen tratarse como "cajas negras", careciendo de transparencia respecto a las características visuales específicas que impulsan sus decisiones. Aunque las CNN logran una alta precisión, no está claro si dependen de la continuidad anatómica (forma global), la intensidad de los píxeles locales o los patrones de textura. Esta falta de interpretabilidad dificulta la integración clínica, la depuración de modelos y la capacidad de asegurar la robustez frente a variaciones de datos. Además, la relación entre el Campo Receptivo Efectivo (ERF) de la red y el contexto espacial necesario para capturar la compleja geometría ramificada de los árboles vasculares no se comprende de manera sistemática en este dominio.

Metodología

Los autores llevaron a cabo una investigación sistemática de tres partes utilizando dos dominios de imagen distintos: microscopía de fluorescencia (conjunto de datos VessMAP) y fotografía de fondo de ojo retinal (conjunto de datos DRIVE). El estudio empleó experimentos dirigidos para aislar y cuantificar la influencia de la textura, la forma y el campo receptivo.

1. Cuantificación de la Influencia de la Textura y la Intensidad

Para determinar la importancia relativa de la intensidad frente a la textura, los autores desarrollaron una tarea de clasificación basada en parches.

• Extracción de Parches: Se extrajeron parches de $9 \times 9$ píxeles de las imágenes VessMAP. Se probaron dos escenarios: parches que contenían solo píxeles de vasos ($f=100\%$) y parches que contenían bordes de vasos con diferentes fracciones de píxeles de vasos ($f=75\%, 50\%$).
• Perturbaciones: Se crearon tres variaciones del conjunto de datos para eliminar pistas específicas:
  • Normalización de Intensidad ($D_{-i}$): Los valores de los píxeles se normalizaron a media cero y desviación estándar unitaria, eliminando la intensidad absoluta y la varianza.
  • Barajado de Píxeles ($D_{-t}$): Las posiciones de los píxeles dentro de cada parche se barajaron aleatoriamente, destruyendo la textura espacial pero preservando los valores de intensidad.
  • Homogeneización ($D_{-i,-t}$): Se aplicaron tanto la normalización como el barajado.
• Evaluación: Se entrenó una red residual simple para clasificar estos parches como vaso o fondo.

2. Aislamiento de las Claves de Forma

Para evaluar la capacidad de las CNN para segmentar vasos basándose únicamente en la geometría, los autores crearon dos conjuntos de datos donde se eliminó la apariencia interna de los vasos:

• Conjunto de Datos de Contorno ($D_c$): Las imágenes de entrada contenían solo los contornos de los vasos (bordes), preservando las intensidades originales de los píxeles en las ubicaciones del contorno.
• Conjunto de Datos de Línea Central ($D_s$): Las imágenes de entrada contenían solo las líneas centrales de los vasos, preservando las intensidades originales en estos puntos.
• Evaluación: Se entrenaron arquitecturas U-Net y W-Net para predecir máscaras de segmentación completas a partir de estas entradas de forma dispersas.

3. Análisis de los Requisitos del Campo Receptivo (RF)

El estudio examinó la relación entre la arquitectura del modelo, el tamaño del campo receptivo y el rendimiento utilizando dos enfoques:

• Variación Arquitectónica: Se entrenaron 160 configuraciones de U-Net con diversos tamaños de núcleo ($1, 3, 5, 7$), ratios de dilatación ($2, 3, 7$) y estrategias de submuestreo. Se midieron el Campo Receptivo Teórico (TRF) y el Campo Receptivo Efectivo (ERF) para cada una.
• Restricción de Contexto: El modelo base se entrenó con parches no superpuestos de varios tamaños ($4 \times 4$ a $512 \times 512$) para determinar el contexto mínimo requerido para un rendimiento óptimo.

Resultados Clave

Textura vs. Intensidad

• Dominancia de la Intensidad: Se encontró que la intensidad de los píxeles era más crítica que la textura local. Eliminar la información de intensidad ($D_{-i}$) causó una caída mayor en la precisión que eliminar la textura mediante el barajado ($D_{-t}$).
• Robustez a la Perturbación: Sorprendentemente, incluso cuando se eliminaron tanto las pistas de intensidad como las de textura (conjunto de datos homogeneizado $D_{-i,-t}$), las redes mantuvieron una precisión de clasificación superior al 75%, lo que sugiere que aprovechan otras características estadísticas no analizadas explícitamente.
• Rol de los Bordes: Incluir los bordes de los vasos en los parches mejoró significativamente la precisión de la clasificación, lo que indica que el contexto basado en bordes locales es una pista fuerte.

Claves de Forma

• Insuficiencia de la Forma por sí sola: Las CNN no lograron reconstruir de manera fiable la geometría completa de los vasos basándose únicamente en claves de forma.
  • Utilizando contornos ($D_c$), el mejor modelo (W-Net) alcanzó un coeficiente Dice de 54.4%.
  • Utilizando líneas centrales ($D_s$), el mejor modelo (U-Net) alcanzó un coeficiente Dice de 57.0%.
  • En contraste, los modelos entrenados con datos completos alcanzaron un Dice de ~90%.
• Sobresegmentación: Los modelos que dependían únicamente de claves de forma exhibieron una alta sensibilidad pero una especificidad muy baja (por ejemplo, 12% de especificidad para U-Net en $D_c$), lo que conduce a una sobresegmentación significativa. Esto indica que las CNN actuales no pueden extrapolar el calibre del vaso sin la información de la apariencia interna.

Campo Receptivo y Contexto

• Saturación del ERF: El Campo Receptivo Efectivo (ERF) utilizado por las redes convergió aproximadamente a 20 píxeles para las tareas consideradas.
• Tamaño del Núcleo: El rendimiento aumentó con el tamaño de núcleo promedio, pero se estancó alrededor de un tamaño de núcleo promedio de 3 ($3 \times 3$ núcleos). Los núcleos más grandes no produjeron ganancias significativas, lo que sugiere que el ERF no se expande para utilizar todo el campo teórico cuando no es necesario.
• Tamaño del Parche:
  • Para VessMAP (microscopía), el rendimiento se saturó con un tamaño de parche de $32 \times 32$, lo que indica que el contexto local es suficiente.
  • Para DRIVE (fondo de ojo), el rendimiento no se saturó dentro del rango probado, lo que sugiere un beneficio modesto de contextos globales más amplios, probablemente debido a la presencia de hitos anatómicos globales (por ejemplo, el disco óptico).

Significado y Reivindicaciones

El artículo afirma proporcionar una base cuantitativa para auditar y refinar los sistemas de aprendizaje profundo en la imagen vascular. Sus principales contribuciones son:

1. Plantilla de Diagnóstico: La metodología ofrece un enfoque estructurado para desentrañar las influencias de la forma, la textura y el contexto en las decisiones del modelo.
2. Evidencia Empírica sobre el RF: El hallazgo de que el ERF se satura en ~20 píxeles sugiere que las CNN ligeras y eficientes pueden adaptarse para la delineación local de vasos sin la carga computacional de redes innecesariamente profundas o mecanismos de atención global (como los Transformers).
3. Hoja de Ruta de Interpretabilidad: Los resultados resaltan que los modelos dependen fuertmente de la intensidad y la textura locales en lugar de la extrapolación de la forma global. Este conocimiento se propone como base para desarrollar marcos de IA Explicable (XAI) que puedan atribuir las decisiones a pistas específicas (intensidad vs. forma), ayudando a los clínicos a determinar si un modelo está identificando vasos basándose en la anatomía o siendo engañado por artefactos locales.

Los autores mantienen la modestia, reconociendo que estos hallazgos son observaciones empíricas derivadas de conjuntos de datos específicos (VessMAP, DRIVE) y arquitecturas (variantes de U-Net), y pueden no representar propiedades universales de todas las redes neuronales en todas las modalidades médicas.