ADEST-U-Net: A Dual-Encoder Architecture for Cross-Organ and Cross-Modality Transfer Learning in Data-Scarce Medical Image Segmentation

Planteamiento del Problema

La segmentación de imágenes médicas, particularmente la delineación de tumores hepáticos en Tomografía Computarizada (TC), depende fuertemente de grandes volúmenes de datos anotados por expertos, los cuales suelen ser escasos en la práctica clínica. Si bien el aprendizaje por transferencia (transfer learning) es una estrategia estándar para mitigar la escasez de datos, los enfoques existentes se centran típicamente en la adaptación de mismo órgano o misma modalidad. El artículo aborda el desafío específico de la transferencia cruzada de órgano y de modalidad: adaptar las representaciones aprendidas de la segmentación de tumores cerebrales en Resonancia Magnética (RM) para la segmentación de tumores hepáticos en TC.

Los autores señalan que el ajuste fino (fine-tuning) "naíf" bajo tales cambios severos de anatomía (cerebro frente a hígado) y de modalidad (RM frente a TC) produce mejoras limitadas. Surge una pregunta metodológica fundamental: bajo un desajuste de dominio extremo, ¿el uso de un codificador único transfiere eficazmente las representaciones de alto nivel, o la interferencia específica del dominio degrada el rendimiento? El estudio postula que el ajuste fino convencional puede ser insuficiente cuando los dominios de origen y destino difieren simultáneamente en anatomía y modalidad de imagen.

Metodología

El estudio utiliza el conjunto de datos 3D-IRCADb-01, un referente para la segmentación de hígado y tumores a partir de cortes de TC abdominal con contraste. Debido a la escasez de regiones tumorales en los escaneos volumétricos, los autores descompusieron los volúmenes 3D en cortes axiales 2D, filtrando los cortes que contenían tumores para abordar el desequilibrio de clases.

La investigación se estructura en tres vías experimentales para evaluar diferentes estrategias de transferencia:

1. Vía 1: Aprendizaje Supervisado de Referencia (Desde Cero)
   Se entrenó una arquitectura UNet++ estándar desde cero utilizando los datos de TC hepática. Esto sirve como punto de referencia supervisado, ya que no existe un modelo preentrenado para la tarea específica de destino.

2. Vía 2: Transferencia Cruzada Naíf
   Un modelo UNet++ preentrenado en tumores cerebrales por RM fue adaptado a la tarea de TC hepática. Se probaron dos estrategias:

   • Ajuste Fino Progresivo: Se evaluaron once configuraciones, que variaban desde congelar solo los bloques iniciales del codificador hasta congelar la red completa (codificadores, cuello de botella y decodificadores anidados).
   • Adaptación de la Modalidad de Entrada (IMA): Se añadió un módulo adaptador en la capa de entrada para reducir el desajuste entre RM y TC antes de alimentar la red congelada o ajustada.

3. Vía 3: Arquitectura Propuesta ADEST-U-Net
   Para mitigar las limitaciones observadas en la Vía 2, los autores proponen la Arquitectura de Doble Codificador con Cola Compartida Adaptada (ADEST-U-Net).

   • Diseño de Doble Codificador: La arquitectura emplea dos codificadores paralelos:
     • Codificador A: Inicializado con los pesos de la UNet++ preentrenada en tumores cerebrales por RM (con adaptación de modalidad de entrada).
     • Codificador B: Un codificador específico de TC entrenado desde cero.
   • Refinamiento de Cola Compartida: Las características de ambos codificadores se concatenan en el cuello de botella (resultando en 1024 canales) y se pasan a través de un módulo de refinamiento compartido (Conv + BN + ReLU + Dropout) que reduce los canales de nuevo a 512 antes de la decodificación.
   • Justificación del Diseño: Este diseño separa explícitamente las características transferibles (de la RM) de las características específicas del dominio (de la TC) para evitar la transferencia negativa, mientras las fusiona de manera controlada antes de la decodificación.
   • Estrategia de Entrenamiento: Se utilizó un proceso de entrenamiento de dos fases: una fase de calentamiento (warm-up) donde el Codificador A permanecía congelado, seguida de un ajuste fino de extremo a extremo.

Función de Pérdida: Todos los modelos fueron entrenados utilizando una pérdida compuesta que combina la Pérdida de Dice y una Pérdida de Prior de Forma (derivada de la probabilidad empírica de ocurrencia de tumores en las máscaras de entrenamiento).

Resultados Clave

Los modelos fueron evaluados en el conjunto de prueba 3D-IRCADb-01 utilizando el Coeficiente de Similitud de Dice (DSC), la Intersección sobre Unión (IoU), Precisión, Sensibilidad (Recall) y métricas de contorno (HD95, ASSD).

• Línea Base vs. Transferencia Naíf: El modelo de línea base UNet++ entrenado desde cero logró un Dice de prueba de 0.7020. En contraste, la transferencia naíf desde tumores cerebrales por RM (incluso con adaptación de modalidad de entrada) funcionó significativamente peor, siendo la mejor configuración de transferencia la que alcanzó un Dice de solo 0.5383. Esto confirma que la transferencia directa de un solo codificador bajo desajustes extremos de dominio resulta en transferencia negativa.
• Rendimiento de ADEST-U-Net: El propuesto ADEST-U-Net logró un Dice de prueba de 0.7189 y un IoU de 0.5611, superando ligeramente a la línea base supervisada.
• Análisis de Errores:
  • Falsos Positivos: ADEST-U-Net redujo los falsos positivos en un 67.6% en comparación con la línea base entrenada desde cero y en un 40.4% en comparación con la transferencia de pesos congelados.
  • Precisión vs. Sensibilidad: El modelo de la línea base exhibió una alta sensibilidad (0.8712) pero una baja precisión (0.5870) debido a la sobresegmentación y detecciones falsas extrahepáticas. ADEST-U-Net logró un equilibrio más balanceado con la mayor precisión (0.7727) y una sensibilidad de 0.6720.
  • Calidad de Contorno: Aunque las diferencias en las medias de Dice entre la línea base y ADEST-U-Net no fueron estadísticamente significativas (p = 0.273), las métricas de contorno mostraron una mejora notable. La mediana de la Distancia de Hausdorff (HD95) disminuyó de 220.57 (línea base) a 78.41 (ADEST), lo que indica predicciones más suaves y anatómicamente coherentes.
  • Sensibilidad de Detección: La línea base detectó tumores en el 85.96% de los cortes, mientras que ADEST-U-Net los detectó en el 59.65%. Los autores atribuyen esto a la naturaleza conservadora de ADEST, que suprime activaciones espurias a costa de omitir algunas lesiones pequeñas.

Significación y Reivindicaciones

El artículo afirma modestamente que su contribución principal no es alcanzar el estado del arte en precisión de segmentación (ya que otras arquitecturas en 3D-IRCADb-01 han reportado puntuaciones de Dice de tumor más altas), sino proporcionar conocimientos arquitectónicos y empíricos sobre el aprendizaje por transferencia cruzada de órgano y de modalidad.

Los autores concluyen que:

1. El reuso directo de representaciones preentrenadas en una arquitectura de codificador único bajo un desajuste de dominio extremo conduce a una transferencia negativa.
2. La mitigación arquitectónica mediante un diseño de doble codificador es necesaria para separar el aprendizaje específico de la modalidad del reuso de características preentrenadas.
3. La separación consciente de la modalidad permite una interacción de características controlada, lo que resulta en una mejor plausibilidad estructural y una reducción significativa de los falsos positivos, incluso si esto no maximiza inmediatamente el coeficiente Dice.
4. El estudio destaca las limitaciones de depender únicamente de métricas basadas en el solapamiento (como Dice) para la segmentación de lesiones pequeñas, sugiriendo que la regularidad del contorno y la precisión son indicadores críticos de una adaptación exitosa entre dominios en entornos clínicos.

El trabajo sugiere que para que la transferencia cruzada de órganos sea viable, la arquitectura debe distinguir explícitamente entre la información transferible y la específica del dominio, en lugar de confiar en el ajuste fino convencional.