🤖 AI

OptiModNet: A UNet-Transformer Hybrid with Grouped-Query and Channel Attention for Optic Disc and Cup Segmentation

El artículo presenta OptiModNet, una arquitectura híbrida ligera de tipo UNet-Transformer que incorpora mecanismos de atención de consultas agrupadas y de canal junto con una Pérdida de Pirámide Agregada, la cual logra un rendimiento de vanguardia en la segmentación del disco y la copa óptica en el conjunto de datos REFUGE2 manteniendo una alta eficiencia computacional.

Autores originales: Soumili Ghosh, Debapriya Roy, Aryan Das, Bikash Santra

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Soumili Ghosh, Debapriya Roy, Aryan Das, Bikash Santra

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El glaucoma es una de las principales causas de ceguera irreversible en todo el mundo, y a menudo se desarrolla silenciosamente sin síntomas tempranos. Debido a que el daño es permanente, detectar la enfermedad en sus etapas más iniciales es crítico. Los médicos confían en el examen de la parte posterior del ojo, específicamente observando dos estructuras circulares: el disco óptico, donde el nervio entra en el ojo, y la copa óptica, una depresión más pequeña dentro de este. Al medir el tamaño de la copa en relación con el disco, los clínicos pueden calcular un índice que sirve como una señal de advertencia vital para la enfermedad. Sin embargo, dibujar estos límites a mano es difícil, consume mucho tiempo y es propenso al error humano, especialmente cuando las imágenes son borrosas o el contraste es bajo. Para resolver esto, los científicos han recurrido a la inteligencia artificial, enseñando a las computadoras a reconocer estas estructuras automáticamente. Si bien los programas informáticos actuales pueden hacer esto, los más precisos suelen ser tan pesados y complejos que requieren hardware potente y costoso, lo que dificulta su uso en clínicas cotidianas o programas de detección a gran escala donde la velocidad y la simplicidad son esenciales.

Un equipo de investigadores ha desarrollado un nuevo enfoque que equilibra la alta precisión con la ligereza, creando un sistema que llaman OptiModNet. Su objetivo era construir un modelo que pudiera ver el panorama completo de la anatomía del ojo y, al mismo tiempo, notar los detalles diminutos y finos de los bordes, sin necesidad de una supercomputadora para ejecutarlo. Lo lograron combinando dos tipos diferentes de arquitecturas de inteligencia artificial. Un tipo, conocido como UNet, es excelente para detectar detalles locales y bordes, de forma muy similar a una persona que observa de cerca una parte específica de un mapa. El otro tipo, basado en un transformador (transformer), es mejor para comprender el panorama general y cómo las diferentes partes de la imagen se relacionan entre sí a largas distancias. Los intentos previos de mezclar estos dos tipos a menudo resultaban en modelos que seguían siendo demasiado pesados o complejos. Los investigadores en este estudio refinaron el proceso de mezcla introduciendo dos mejoras específicas. Primero, cambiaron la forma en que el modelo procesa la información en su capa de "pensamiento" para agrupar preguntas, lo que reduce significamente la cantidad de cálculo necesario. Segundo, añadieron un mecanismo en la capa de decodificación que ayuda al modelo a concentrarse en las características más importantes mientras ignora las menos útiles, agudizando el contorno final del disco y la copa óptica.

Para entrenar este nuevo sistema, los investigadores utilizaron una gran colección de imágenes retinianas conocida como el conjunto de datos REFUGE2, que contiene miles de escaneos oculares con límites trazados por expertos. También probaron su modelo en un segundo conjunto de datos llamado ORIGA para asegurar que funcionara bien en diferentes tipos de imágenes. Los resultados fueron sorprendentes. En el primer conjunto de datos, el nuevo modelo identificó correctamente el disco óptico con una puntuación del 99.45% y la copa óptica con un 93.23%, superando a los mejores métodos anteriores por más del 2.5%. En el segundo conjunto de datos, alcanzó la precisión más alta jamás reportada para esa prueba específica. Quizás más importante aún, el modelo es increíblemente eficiente. Requiere solo 1.93 millones de parámetros para funcionar, lo que es aproximadamente un 96% menos que los modelos competidores más complejos. En términos de potencia computacional, utiliza solo 3.73 GFLOPs, una fracción de la energía requerida por otros sistemas de alto rendimiento. Esto significa que el modelo podría potencialmente ejecutarse en equipos médicos estándar en lugar de necesitar servidores especializados de alta gama.

Los investigadores también probaron cómo cada parte de su diseño contribuyó al éxito final. Encontraron que añadir el mecanismo de agrupación y la capa de característica de mejora de enfoque individualmente mejoraba los resultados, pero combinarlos producía el mejor resultado. También introdujeron una nueva forma de enseñar al modelo durante el entrenamiento, la cual verifica el progreso del modelo en varias etapas diferentes del aprendizaje en lugar de hacerlo solo al final. Este método ayudó al modelo a aprender de manera más consistente y a producir contornos más suaves y precisos. Cuando compararon la salida visual de su modelo contra otros sistemas, el nuevo modelo produjo contornos que se alineaban mucho más estrechamente con la verdad de campo (ground truth) trazada por expertos, incluso en casos difíciles donde los vasos sanguíneos cruzaban el área o la iluminación era desigual. El estudio concluye que, al combinar cuidadosamente estas diferentes técnicas, es posible crear una herramienta que sea tanto altamente precisa como lo suficientemente ligera para un uso generalizado. Este avance sugiere que el cribado automatizado de alta calidad para el glaucoma podría convertirse pronto en una realidad práctica en entornos con recursos limitados, salvando potencialmente la vista de muchas más personas.

Resumen Técnico: OptiModNet

Planteamiento del Problema

La segmentación precisa del disco óptico (OD) y la copa óptica (OC) en imágenes de fondo de retina es un prerrequisito crítico para la detección temprana y el diagnóstico del glaucoma, principalmente mediante el cálculo de la relación copa-disco (CDR). Sin embargo, lograr un alto rendimiento de segmentación a través de diversos conjuntos de datos manteniendo un bajo costo computacional sigue siendo un desafío significativo. Los enfoques de aprendizaje profundo existentes enfrentan compromisos específicos:

Los modelos basados en UNet sobresalen en la captura de características locales, pero tienen dificultades para modelar dependencias de largo alcance y el contexto anatómico global.
Los Vision Transformers (ViTs) capturan eficazmente las relaciones globales mediante la autoatención, pero incurren en costos computacionales sustanciales (complejidad cuadrática) y requieren grandes conjuntos de datos anotados, lo que los hace intensivos en recursos para la imagen de fondo de alta resolución.
Las arquitecturas híbridas (por ejemplo, TransUNet, UNetR) intentan cerrar esta brecha, pero a menudo heredan las ineficiencias computacionales de los Transformers vanilla.
Los modelos basados en difusión muestran resultados competitivos, pero sufren de altos costos de entrenamiento e inferencia, lo que limita su idoneidad para flujos de trabajo clínicos en tiempo real.

Consecuentemente, existe la necesidad de una arquitectura ligera y eficiente que equilibre el modelado del contexto global con la precisión de los bordes locales sin una carga computacional prohibitiva.

Metodología

Los autores proponen OptiModNet, una novedosa arquitectura híbrida ligera diseñada para la segmentación 2D del disco y la copa óptica. El modelo integra un codificador basado en Transformers con un decodificador convolucional, mejorado por mecanismos de atención específicos y una función de pérdida de múltiples etapas.

1. Descripción General de la Arquitectura

Codificador (basado en Transformer): La imagen de entrada se divide en parches no superpuestos y se incorpora información posicional. El codificador consta de 12 bloques de transformer apilados.
- Atención de Consulta Agrupada (GQA): Para reducir la complejidad computacional en comparación con la Autoatención de Múltiples Cabezales (MSA) estándar, el codificador emplea GQA. Este mecanismo divide las consultas en grupos, donde cada grupo comparte un par clave-valor único. Esto agiliza el mecanismo de atención, reduciendo significativamente la carga computacional mientras mantiene la capacidad de modelar dependencias de largo alcance en entradas de alta resolución.
Decodificador (Convolucional): El decodificador aumenta incrementalmente los mapas de características mediante convoluciones transpuestas e integra conexiones de salto multirresolución desde el codificador.
- Atención de Canal (CA): Un componente novedoso para el decodificador, la Atención de Canal se aplica para recalibrar la importancia de las características. Utiliza el Global Average Pooling seguido de capas totalmente conectadas para generar pesos de atención, enfatizando los canales de características informativos y atenuando los menos relevantes. Esto ayuda específicamente a la delineación precisa de los bordes del OD/OC.

2. Pérdida de Pirámide Agregada

Para optimizar tanto el solapamiento a nivel de región como la clasificación a nivel de píxel, los autores introducen la Pérdida de Pirámide Agregada.

Composición: Combina la Pérdida de Dice Suave (Soft Dice Loss) y la Pérdida de Entropía Cruzada Binaria (BCE Loss).
Supervisión de Múltiples Etapas: A diferencia de los enfoques estándar que solo supervisan la salida final, esta función de pérdida calcula la pérdida combinada en múltiples etapas intermedias del decodificador.
Agregación Ponderada: La pérdida total es una suma ponderada de las pérdidas de las salidas intermedias y finales ( $L_{total} = \sum \lambda_k L_k$ ). Este diseño promueve un mejor flujo de gradiente a través de la red y asegura la consistencia estructural en la segmentación de bordes finos.

Contribuciones Clave

El artículo describe cuatro contribuciones primarias:

Atención de Consulta Agrupada en el Codificador: Integración de GQA para reducir la complejidad computacional mientras se modelan eficazmente las dependencias de largo alcance, abordando la ineficiencia de los Transformers estándar.
Atención de Canal en el Decodificador: Implementación de CA para enfocarse en canales de características salientes, mejorando así la delineación de los bordes entre el disco óptico y la copa óptica.
Pérdida de Pirámide Agregada: Una función de pérdida novedosa que supervisa múltiples etapas del decodificador para mejorar el flujo de gradiente y la segmentación de detalles finos.
Diseño Híbrido Eficiente: Un modelo que aprovecha las fortalezas complementarias de UNet, Transformers y mecanismos de atención para lograr una alta precisión con un recuento de parámetros significativamente reducido.

Resultados Experimentales

El modelo fue evaluado en los conjuntos de datos REFUGE2 y ORIGA.

Rendimiento Cuantitativo

Conjunto de Datos REFUGE2: OptiModNet logró un rendimiento de Estado del Arte (SOTA), superando a los métodos existentes por más del 2.5%.
- Disco Óptico: Puntuación Dice de 99.45% e IoU de 98.16%.
- Copa Óptica: Puntuación Dice de 93.23% e IoU de 89.41%.
- Estos resultados superaron al método anterior más avanzado (MedSegDiff-V2) por un 2.75% (Dice) y un 2.26% (IoU) en la segmentación del disco.
Conjunto de Datos ORIGA: El modelo alcanzó las puntuaciones más altas reportadas para la clasificación de 3 clases (copa óptica, disco óptico, fondo), con un IoU de 98.92% y una puntuación Dice de 99.31%.

Eficiencia y Complejidad

Parámetros: OptiModNet utiliza solo 1.93 millones de parámetros, lo que representa una reducción del 96% en comparación con modelos complejos SOTA como MedSegDiff-V2 (46M de parámetros).
Costo Computacional: El modelo requiere solo 3.73 GFLOPs, lo que es aproximadamente el 0.38% del costo computacional de MedSegDiff-V2 (983 GFLOPs).

Estudios de Ablación

Análisis de Componentes: Eliminar la Atención de Canal o la Atención de Consulta Agrupada resultó en una caída medible en el rendimiento, confirmando que ambos módulos contribuyen significativamente a la precisión final.
Función de Pérdida: Variar los pesos ( $\lambda$ ) en la Pérdida de Pirámide Agregada demostró que el esquema de ponderación específico utilizado (0.2, 0.3, 0.5 para las tres etapas intermedias y 1.0 para la salida final) produjo resultados óptimos.

Significado y Reivindicaciones

El artículo afirma que OptiModNet aborda con éxito el compromiso entre la precisión de la segmentación y la eficiencia computacional. Al integrar la Atención de Consulta Agrupada y la Atención de Canal dentro de un marco basado en UNetR, el modelo logra una delineación de bordes y un modelado de contexto global superiores sin la pesada carga computacional de los Transformers estándar o los modelos de difusión.

Los autores enfatizan que la alta eficiencia del modelo (bajos parámetros y GFLOPs) lo hace particularmente adecuado para el tamizaje rápido y a gran escala y para su despliegue en entornos clínicos con recursos limitados, donde las imágenes de fondo de alta resolución suelen enfrentar restricciones de hardware. Los resultados sugieren que OptiModNet proporciona una solución práctica y de alto rendimiento para el tamizaje automatizado del glaucoma, reduciendo la variabilidad interobservador y facilitando el diagnóstico temprano.