Performance of Frangi-Hessian Pseudo-Labels for Retinal Vessel Segmentation in AI-Assisted Retinopathy of Prematurity Screening

Resumen Técnico: Rendimiento de las Pseudo-etiquetas Frangi–Hessian para la Segmentación de Vasos Retinianos en el Tamizaje de la Retinopatía de la Prematuridad Asistido por IA

Planteamiento del Problema
La Retinopatía de la Prematuridad (ROP) es una de las principales causas de ceguera prevenible, particularmente en entornos de bajos recursos donde los recursos de tamizaje son escasos. El diagnóstico preciso depende en gran medida de la evaluación de la dilatación vascular y la tortuosidad ("enfermedad Plus"), lo que requiere una segmentación precisa de los vasos retinianos. Sin embargo, el desarrollo de herramientas de tamizaje impulsadas por IA se ve obstaculizado por el "cuello de botella del etiquetado": la anotación manual de máscaras de vasos retinianos es laboriosa, propensa a la variabilidad interobservador y difícil de escalar para grandes conjuntos de datos. Mientras que los modelos de aprendizaje supervisado funcionan bien con abundantes datos etiquetados, la escasez de imágenes vasculares neonatales etiquetadas por expertos requiere estrategias alternativas más eficientes en términos de etiquetas.

Metodología
El estudio propone un marco de aprendizaje híbrido que integra el procesamiento de imágenes clásico con el aprendizaje profundo moderno para abordar la escasez de anotaciones de verdad de terreno (GT). La metodología consta de tres componentes principales:

1. Pipeline de Auto-anotación Automática:
   Un pipeline de nueve pasos genera pseudo-máscaras de vasos para imágenes no etiquetadas utilizando un enfoque dual de Frangi–Hessian. El proceso incluye:

   • Preprocesamiento: Extracción del canal verde (mayor contraste de vasos), redimensionamiento a 512×512, eliminación de ruido con preservación de bordes (filtro bilateral) y mejora del contraste local (CLAHE).
   • Normalización y Refinamiento: Sustracción de fondo de bola rodante (rolling-ball) para corregir la iluminación y máscara de desenfoque (unsharp masking) para acentuar las crestas de los vasos.
   • Mejora de la "Vesselness" (Vascularidad): Aplicación de filtros de Frangi y Hessian basados en los autovalores de la matriz de Hessian para cuantificar la probabilidad de estructuras tubulares.
   • Refinamiento: Umbralización adaptativa, operaciones morfológicas para eliminar artefactos y esqueletización para generar máscaras binarias que representan tanto los lúmenes vasculares como las líneas centrales.

2. Arquitecturas de Modelos:
   Se evaluaron cinco arquitecturas de segmentación distintas: BioSwinFuseNet (una fusión personalizada de SwinV2-ConvNeXt), UNet, Red de Pirámide de Características (FPN), LinkNet y SegFormer (un codificador basado en transformadores).

3. Regímenes de Entrenamiento:
   Cada arquitectura fue entrenada bajo tres condiciones de supervisión distintas:

   • Solo GT (GT-only): Entrenado exclusivamente con máscaras etiquetadas por expertos.
   • Solo Self (Self-only): Entrenado exclusivamente con las pseudo-máscaras generadas.
   • Híbrido (Hybrid): Entrenado con una combinación de GT y pseudo-máscaras utilizando una función de pérdida ponderada ($L = 0.7L_{GT} + 0.3L_{Self}$).
     Todos los modelos utilizaron una pérdida sensible a la topología que combina la entropía cruzada binaria, la pérdida de Dice y penalizaciones de continuidad.

Resultados Clave

• Características de las Pseudo-etiquetas: Las máscaras auto-generadas exhibieron diferencias sistemáticas en comparación con la GT de expertos. Mostraron una menor fracción de vasos (0.021 frente a 0.082) y diámetros medios de vasos significativamente más delgados (2.01 px frente a 7.47 px), lo que indica que capturaron el núcleo del vaso en lugar de los límites completos. Sin embargo, preservaron las características topológicas globales, con una densidad de ramificación y una dimensión fractal comparables a la GT.
• Rendimiento de los Regímenes de Entrenamiento:
  • Los modelos Solo Self funcionaron deficientemente (Dice ≈ 0.005), confirmando que las pseudo-máscaras por sí solas carecen de la precisión requerida para el despliegue clínico.
  • Los modelos Híbridos superaron consistentemente a los enfoques Solo GT y Solo Self en todas las arquitecturas.
  • Los Mejores Desempeños: El modelo SegFormer-Hybrid logró la mayor sensibilidad general (0.70) y AUC (0.94). El modelo BioSwinFuseNet-Hybrid demostró la mejora relativa más significativa, mostrando un aumento del 122% en la puntuación Dice en comparación con su contraparte Solo GT.
  • Estabilidad: El FPN-Hybrid demostró la menor varianza, mientras que el UNet-Hybrid mantuvo una fuerte generalización con una alta especificidad (0.97).

Significancia y Reivindicaciones
El artículo sostiene que el paradigma híbrido ofrece una solución escalable para desarrollar herramientas de tamizaje de ROP automatizadas en entornos donde el etiquetado experto es limitado. Al integrar los priors topológicos derivados de los filtros clásicos de Frangi–Hessian con el poder de representación de las redes neuronales profundas, el estudio demuestra que las máscaras auto-anotadas pueden aumentar significativamente el aprendizaje supervisado.

Los autores concluyen que, si bien las pseudo-etiquetas son imperfectas (sub-segmentan vasos pequeños y suavizan la curvatura), proporcionan información estructural suficiente para iniciar el aprendizaje (bootstrap). Este enfoque permite que los modelos aprendan patrones vasculares generalizados sin depender únicamente de anotaciones expertas escasas y costosas. El estudio posiciona este marco híbrido como una vía práctica para escalar el tamizaje de ROP asistido por IA, particularmente en entornos clínicos de bajos recursos, sin inventar nuevas aplicaciones más allá del alcance de la segmentación de vasos y la detección de la enfermedad Plus.