Resumen Técnico: Discriminación de Desplazamiento de Reconstrucción mediante Difusión Latente Guiada por Máscaras para la Detección de Anomalías Médicas

Planteamiento del Problema

La detección de anomalías médicas no supervisada busca identificar hallazgos patológicos y localizar las regiones afectadas utilizando únicamente imágenes sanas de entrenamiento. Aunque los métodos basados en reconstrucción (por ejemplo, autoencoders, GANs y modelos de difusión) son dominantes, sufren de una ambigüedad inherente al utilizar el residuo de reconstrucción como la única señal de anomalía. Los modelos expresivos pueden, inadvertidamente, preservar estructuras patológicas, lo que conduce a respuestas débiles sobre las lesiones reales. Por el contrario, las variaciones anatómicas benignas, el ruido de la imagen y las diferencias de adquisición pueden generar errores de reconstrucción considerables en regiones sanas. La agregación de estos residuos en una única puntuación a nivel de imagen a menudo confunde los cambios patológicos con artefactos de reconstrucción benignos, lo que dificulta la distinción entre anomalías reales y variabilidad normal.

Metodología: Difusión Latente Guiada por Máscaras Discriminativa (DMD)

Los autores proponen la Difusión Latente Guiada por Máscaras Discriminativa (DMD), un marco que complementa la localización basada en residuos con una señal aprendida a nivel de imagen derivada de la discriminación de desplazamiento de reconstrucción. El método opera en dos etapas distintas:

Etapa 1: Representación Latente Cuantizada Normal

Se entrena un autoencoder de cuantización vectorial (VQ-VAE) en imágenes normales para aprender una representación latente compacta.

• Codificador ($E_\phi$) y Decodificador ($D_\eta$): Mapean las imágenes a un espacio latente y las reconstruyen.
• Cuantización Vectorial: Los vectores latentes espaciales se reemplazan por sus entradas más cercanas en un libro de códigos (codebook) aprendible ($C$), creando una cuadrícula discreta $z_q$.
• Objetivo: Minimizar el error de reconstrucción y la pérdida de compromiso (commitment loss). Tras el entrenamiento, $E_\phi$, $D_\eta$ y $C$ se congelan para asegurar un espacio latente estable para la etapa subsiguiente.

Etapa 2: Difusión Latente Guiada por Máscara + Discriminación de Desplazamiento de Reconstrucción

Esta etapa entrena conjuntamente un modelo de difusión latente y un clasificador utilizando el codificador/decodificador congelado.

1. Difusión Latente Guiada por Máscara:

   • Se aplican máscaras cuadradas localizadas ($M$) a la cuadrícula latente cuantizada $z_0$, seleccionando regiones específicas para la perturbación.
   • Un proceso de difusión hacia adelante añade ruido gaussiano solo a las regiones enmascaradas, dejando las regiones no enmascaradas como contexto limpio.
   • Una red de eliminación de ruido ($\epsilon_\omega$) predice el ruido y reconstruye el latente limpio $\hat{z}_0$.
   • El decodificador mapea este latente restaurado de vuelta al espacio de la imagen, produciendo un "contraparte reconstruido" ($x_r$) de la imagen normal original ($x$).
   • La pérdida de difusión ($L_{diff}$) se calcula solo sobre las posiciones enmascaradas.

2. Discriminación de Desplazamiento de Reconstrucción:

   • Se define una tarea de clasificación autosupervisada donde la imagen normal original $x$ es etiquetada como clase 0, y su contraparte reconstruida $x_r$ (que contiene un "desplazamiento" inducido por la difusión enmascarada) es etiquetada como clase 1.
   • Un clasificador ($f_\psi$) aprende a distinguir entre la original y la reconstrucción desplazada.
   • La pérdida de clasificación ($L_{cls}$) proporciona retroalimentación discriminativa a la red de eliminación de ruido, fomentando que el modelo produzca reconstrucciones que sean distintas de las entradas originales pero que sigan siendo anatómicamente plausibles.
   • La pérdida total es $L_{stage2} = L_{diff} + \lambda L_{cls}$.

Inferencia de Doble Nivel

En el tiempo de prueba, DMD proporciona dos salidas complementarias:

1. Detección a Nivel de Imagen: El clasificador $f_\psi$ procesa directamente la imagen de prueba para producir una puntuación de anomalía $S_{img}$, que representa la probabilidad de que la imagen se asemeje a un "desplazamiento de reconstrucción" en lugar de a una normal original.
2. Localización a Nivel de Píxel: La imagen de prueba se codifica y cuantiza. Se aplican máscaras superpuestas a través de la cuadrícula latente, y el eliminador de ruido reconstruye la imagen para cada máscara. El mapa de anomalías a nivel de píxel se genera agregando los residuos (diferencias absolutas) entre la entrada y las diversas contrapartes reconstruidas, promediadas sobre las regiones superpuestas.

Principales Contribuciones

1. Discriminación de Desplazamiento de Reconstrucción: Los autores identifican e implementan una señal autosupervisada de solo normales que aprende una puntuación de anomalía a nivel de imagen a partir de reconstrucciones de difusión enmascarada. Esto complementa la localización tradicional basada en residuos sin requerir datos anormales de entrenamiento.
2. Marco DMD: Una arquitectura unificada donde el enmascaramiento latente localizado y la difusión latente impulsan simultáneamente tanto la detección a nivel de imagen como la localización a nivel de píxel. El marco utiliza un único proceso de restauración para generar tanto la señal discriminativa (para el clasificador) como las pistas espaciales (para el mapa de residuos).
3. Rendimiento de Vanguardia (State-of-the-Art): El método demuestra un rendimiento superior en cinco diversos conjuntos de datos de imágenes médicas (MRI cerebral, ecografía mamaria y radiografía de tórax).

Resultados Experimentales

El artículo evalúa DMD en cinco conjuntos de datos: BraTS2021, IXI/ATLAS 2.0, WMH, BUSI y VinDr-CXR.

• Detección a Nivel de Imagen: DMD logró los valores más altos de AUC, AP y F1 en todos los conjuntos de datos. Por ejemplo, en BraTS2021, DMD alcanzó un AUC del 87.2%, superando al baselínea más fuerte (MAD-AD) por un 1.1% y mejorando el F1 en un 3.1%. En VinDr-CXR, alcanzó un AUC del 84.3%, mientras que en BUSI alcanzó un AUC del 93.8% y un AP del 96.0%.
• Localización a Nivel de Píxel: DMD superó consistentemente a los métodos de reconstrucción clásicos (AE, VAE, f-AnoGAN) y a las baselíneas recientes basadas en difusión (AnoDDPM, AutoDDPM, MAD-AD) en términos de AP$_{pix}$ y puntuaciones Dice. En BraTS2021, DMD logró una puntuación Dice del 76.3%, significativamente mayor que el siguiente mejor método (MAD-AD con 69.6%).
• Robustez entre Conjuntos de Datos: Al aplicarse al conjunto de datos WMH sin reentrenamiento (entrenado en BraTS2021), DMD mantuvo un fuerte rendimiento, lo que sugiere generalización a diferentes tipos de lesiones y características de adquisición.
• Análisis Cualitativo: Las visualizaciones mostraron que DMD produce mapas de anomalías más nítidos y espacialmente coherentes que se alinean mejor con los límites de las lesiones de la verdad de campo (ground-truth), particularmente para anomalías sutiles de bajo contraste donde otros métodos produjeron respuestas dispersas o débiles.
• Estudios de Ablación: Eliminar el clasificador, la retroalimentación discriminativa, la fase de preentrenamiento, la estrategia de enmascaramiento o el componente de difusión latente resultó en una degradación del rendimiento, confirmando la necesidad de cada componente. Específicamente, eliminar la difusión latente causó la caída más significativa, resaltando su papel en el modelado de las variaciones anatómicas.

Significado y Reivindicaciones

El artículo afirma que DMD aborda la ambigüedad fundamental de usar un único residuo de reconstrucción tanto para la detección como para la localización. Al desacoplar las tareas —usando un clasificador aprendido para la discriminación a nivel de imagen y residuos para la localización a nivel de píxel— el marco aprovecha las fortalezas de ambos enfoques.

Los autores enfatizan que la señal a nivel de imagen se deriva enteramente de datos de entrenamiento normales a través del concepto de "desplazamiento de reconstrucción", evitando la necesidad de anotaciones patológicas. Si bien el método logra resultados de vanguardia, el artículo señala modestamente una limitación: la señal a nivel de imagen depende de una política de enmascaramiento fija, y su transferibilidad a patologías y condiciones de adquisición no vistas requiere un estudio más amplio. Se propone como trabajo futuro explorar la construcción de desplazamientos adaptativos y evaluaciones multicéntricas.