Fine-Tuning SAM2 for Coronary Artery Segmentation in X-Ray Fluoroscopy

Resumen Técnico: Ajuste Fino de SAM2 para la Segmentación de Arterias Coronarias en Fluoroscopia de Rayos X

Planteamiento del Problema
Aunque los modelos fundacionales como SAM2 ofrecen sólidas capacidades de segmentación general, su aplicación directa a la imagen médica —específicamente la segmentación de arterias coronarias en fluoroscopia de rayos X— se ve obstaculizada por desafíos específicos del dominio. Estos incluyen el ruido derivado del movimiento del paciente, la naturaleza basada en proyecciones de los rayos X y el bajo contraste entre los vasos y el fondo. Además, los modelos de visión computacional existentes suelen requerir un entrenamiento exhaustivo uno a uno para aplicaciones específicas, y existe una escasez de conjuntos de datos de gran escala, disponibles públicamente y con anotaciones a nivel de fotograma, para procedimientos de cardiología intervencionista. La aplicación zero-shot de MedSAM2 en este dominio arroja un rendimiento insignificante (puntuación Dice de 0.033), lo que indica una brecha de dominio significativa.

Metodología
Los autores proponen una estrategia de ajuste fino (fine-tuning) para MedSAM2 (una versión de SAM2 adaptada para medicina) para abordar estos desafíos utilizando un conjunto de datos de angiografía estática para el entrenamiento y un conjunto de datos de video para la evaluación cualitativa.

• Arquitectura del Modelo: El enfoque utiliza MedSAM2, que emplea una columna vertebral (backbone) Hiera-Tiny, un cuello FPN y un decodificador de máscara de transformador de dos vías. Para el procesamiento de video, aprovecha un módulo de memoria FIFO de 6 fotogramas para propagar las máscaras sin necesidad de volver a solicitar prompts.
• Conjuntos de Datos:
  • Entrenamiento: El conjunto de datos ARCADE (1,000 imágenes de entrenamiento, 200 de validación) que contiene anotaciones de polígonos para las arterias coronarias.
  • Evaluación: El conjunto de datos CoronaryDominance (10 estudios de video) utilizado para la evaluación cualitativa del seguimiento de video, ya que carece de máscaras de verdad de terreno (ground truth) por fotograma.
• Estrategia de Ajuste Fino:
  • Descongelamiento Parcial del Codificador: En lugar de entrenar toda la red, los autores descongelan únicamente los últimos dos bloques del tronco Hiera y el cuello FPN (aproximadamente el 10% de los parámetros del codificador), junto con el decodificador de máscara. Esto preserva las características médicas preentrenadas mientras se adaptan las representaciones de alto nivel.
  • Aumento de Datos: Se aplican transformaciones geométricas (giros, rotaciones) para preservar la integridad de la máscara, evitando aumentos basados en la intensidad que podrían desalinear los bordes.
  • Prompting: El entrenamiento utiliza un único clic de centroide derivado del ground truth con jitter; la inferencia calcula automáticamente el centroide a partir de los píxeles más brillantes de los fotogramas de la instrucción (prompt frame).
• Función de Pérdida: Se emplea una pérdida compuesta para manejar la topología específica de los vasos:
  • Pérdida Dice ($L_{Dice}$) y BCE Ponderada ($L_{wBCE}$) para gestionar el desequilibrio de clases.
  • Pérdida clDice ($L_{clDice}$): Una pérdida que preserva la topología y opera sobre el esqueleto suave de las máscaras. Esta penaliza las rupturas en la conectividad de la línea central, abordando el problema donde las métricas de solapamiento estándar podrían aceptar segmentos de vasos fragmentados e incorrectamente anatómicos. El peso para clDice se incrementa linealmente durante los primeros 8 épocas para estabilizar el entrenamiento.
• Inferencia de Video: El modelo selecciona el fotograma con la mayor varianza de píxeles (pico de contraste) como el fotograma de instrucción, y propaga la máscara hacia adelante y hacia atrás utilizando la arquitectura de memoria de flujo (streaming memory).

Resultados Clave

• Segmentación Estática (Validación ARCADE):
  • Zero-Shot: MedSAM2 logró una puntuación Dice de 0.033, confirmando la brecha de dominio.
  • Ajuste Fino con Codificador Congelado: Descongelar solo el decodificador mejoró la puntuación a 0.727.
  • Ajuste Fino Completo (Nuestro método): Descongelar parcialmente el codificador, añadir la pérdida clDice y utilizar datos aumentados logró una puntuación Dice de 0.767 ± 0.082 (IoU 0.629). Este rendimiento es competitivo con modelos diseñados específicamente para la angiografía coronaria por rayos X (XCA).
• Inferencia de Video (CoronaryDominance):
  • El modelo ajustado rastrea el tronco coronario principal de manera coherente a través de los fotogramas sin necesidad de nuevos prompts.
  • Especificidad: En 9 de 10 estudios de video, el modelo ajustado logró evitar falsos positivos en costillas, stents quirúrgicos, injertos de bypass y dispositivos implantados. En contraste, el modelo zero-shot etiquetó consistentemente estas estructuras tubulares de alto contraste como vasos.
  • Limitaciones: Ambos modelos fallan cuando el contraste de la tinta se aclara entre los ciclos de inyección, ya que el módulo de memoria pierde el objetivo. Se requiere un nuevo prompt al inicio de cada ciclo de inyección.

Significancia y Reivindicaciones
El artículo afirma que MedSAM2 puede adaptarse eficazmente a la fluoroscopia de rayos X con un mínimo de datos (1,000 imágenes) y sin un reentrenamiento exhaustivo de toda la columna vertebral. La principal significancia reside en la especificidad del modelo ajustado: aprende la apariencia genuina de los vasos coronarios en esta modalidad en lugar de simplemente detectar formas tubulares genéricas. Esto reduce los falsos positivos clínicamente peligrosos (por ejemplo, identificar stents como vasos) sin requerir supervisión negativa explícita.

Los autores señalan que, si bien los resultados de la segmentación estática son cuantitativos, la evaluación de video sigue siendo cualitativa debido a la falta de verdad de terreno a nivel de fotograma en los conjuntos de datos públicos disponibles. Reconocen que la arquitectura actual basada en memoria introduce latencia de seguimiento al inicio de los ciclos de inyección de contraste y que el trabajo futuro debería explorar el preentrenamiento autosupervisado en videos no etiquetados y el despliegue en hardware clínico con recursos limitados.