Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift

Titolo

Adattamento non supervisionato da FDG a PSMA PET/CT per la rilevazione di lesioni 3D sotto shift di etichetta

1. Il Problema

L'imaging PET/CT è fondamentale per la diagnosi e la pianificazione terapeutica del cancro. Tuttavia, l'addestramento di modelli di deep learning per la rilevazione automatica di lesioni 3D presenta sfide significative quando si passa da un tracciante a un altro (ad esempio, da FDG a PSMA).

• Shift del dominio (Domain Shift): I modelli addestrati su un tracciante (FDG) spesso falliscono su un altro (PSMA) a causa di differenze nell'uptake del tracciante e nelle caratteristiche delle lesioni.
• Shift delle etichette (Label Shift): Oltre allo shift delle caratteristiche visive (covariate shift), esiste un marcato shift nelle distribuzioni delle etichette. Le lesioni PSMA tendono ad essere più piccole e più numerose per paziente rispetto alle lesioni FDG.
• Limiti degli approcci attuali: La maggior parte dei metodi di Adattamento di Dominio Non Supervisionato (UDA) assume che la distribuzione delle etichette rimanga costante tra i domini. Questo lavoro identifica che ignorare lo shift nella dimensione e nel numero di lesioni porta a prestazioni subottimali, poiché i metodi convenzionali tendono a favorire lesioni grandi e ad alto contrasto, ereditando il bias del dominio sorgente.

2. Metodologia

Gli autori propongono un framework di UDA basato sull'auto-addestramento (self-training) che integra esplicitamente la conoscenza a priori sulla distribuzione delle lesioni nel dominio target. Il modello di base è un M3DRetinaNet (una rete a un passo con feature pyramid 3D).

Il framework si articola in tre meccanismi principali:

A. Adattamento delle dimensioni degli "Anchor" (Epoch-wise Anchor Size Adaptation)

Poiché le lesioni PSMA sono spesso più piccole di quelle FDG, gli anchor box predefiniti (ottimizzati su FDG) possono essere inadeguati.

• Il sistema stima le dimensioni delle lesioni target utilizzando le "pseudo-label" selezionate.
• Applica un algoritmo k-means sulle scatole selezionate per ottenere nuovi centroidi.
• Aggiorna gli anchor box tramite una Media Mobile Esponenziale (EMA): $s^{(r)}_k \leftarrow (1-\beta)s^{(r-1)}_k + \beta \tilde{s}^{(r)}_k$. Questo stabilizza la regressione delle scatole e aumenta la copertura per le lesioni PSMA più piccole.

B. Selezione delle Pseudo-label Guidata da Prior (Prior-guided Pseudo-label Selection)

Invece di utilizzare una soglia di confidenza fissa o selezionare il top-p% delle previsioni (che favorisce le lesioni grandi), il metodo introduce un sistema di quote basato sulla dimensione:

1. Budget per soggetto: Si stima il numero medio di lesioni per paziente nel dominio target ($\mu$) e si assegna un budget massimo di pseudo-label per ogni caso per evitare che pochi pazienti con molti falsi positivi dominino l'addestramento.
2. Istogramma di densità per dimensione: Le lesioni vengono binate in base al volume (in cc). Si calcola un istogramma normalizzato ($h$) delle dimensioni delle lesioni target.
3. Assegnazione delle quote: Il budget per soggetto viene distribuito tra i diversi "bin" di dimensione in proporzione all'istogramma stimato $h$. All'interno di ogni bin, vengono selezionate le previsioni con la confidenza più alta fino al raggiungimento della quota assegnata.

C. Ottimizzazione Alternata

Il processo alterna:

1. Addestramento supervisionato sul dominio sorgente (FDG etichettato).
2. Inferenza sul dominio target (PSMA non etichettato), aggiornamento delle prior ($\mu, h$) e degli anchor, e addestramento supervisionato sulle pseudo-label generate.
   Non vengono utilizzati loss avversariali o allineamento esplicito delle feature, rendendo il metodo più leggero ed efficiente per dati 3D.

3. Contributi Chiave

• Primo tentativo di UDA 3D: Questo è il primo lavoro che applica l'adattamento di dominio non supervisionato alla rilevazione di lesioni volumetriche 3D in PET/CT.
• Gestione esplicita dello Shift di Etichetta: Introduce uno schema di auto-addestramento che modella e compensa attivamente lo shift nella distribuzione delle dimensioni e nel numero di lesioni, un aspetto finora ignorato nella rilevazione UDA.
• Adattamento dinamico: Propone una stima adattiva dei parametri delle dimensioni (anchor) e della prevalenza delle lesioni nel dominio target per rifinire la selezione delle pseudo-label.

4. Risultati

Il metodo è stato valutato sul dataset AutoPET 2024, adattando un modello da 501 studi FDG etichettati a 369 studi PSMA (di cui 258 usati per l'addestramento UDA).

• Metriche: Sono stati utilizzati l'Average Precision (AP) a diverse soglie di IoU (0.1, 0.25, 0.5) e l'analisi FROC (Free-Response ROC).
• Performance:
  • Il modello sorgente (FDG) non adattato ha ottenuto un AP@0.1 di 0.225.
  • L'adattamento UDA completo (con correzione dello shift di etichetta e adattamento degli anchor) ha raggiunto un AP@0.1 di 0.613, superando significativamente sia la baseline sorgente che l'auto-addestramento convenzionale senza correzione dello shift.
  • L'analisi FROC mostra che il metodo proposto ottiene una sensibilità molto più alta per qualsiasi tasso di falsi positivi rispetto ai metodi di confronto.
• Confronto: Sebbene il modello addestrato su PSMA etichettato (upper bound) ottenga risultati superiori (AP@0.1 = 0.729), il metodo proposto si avvicina notevolmente a questa performance superiore senza richiedere etichette target durante l'addestramento.

5. Significato e Conclusioni

Questo lavoro dimostra che per l'adattamento tra traccianti PET diversi, non è sufficiente correggere solo l'aspetto visivo delle immagini; è cruciale modellare la prevalenza e la composizione dimensionale delle lesioni nel dominio target.

• Impatto Clinico: Il metodo permette di sfruttare grandi dataset etichettati di FDG (ampiamente disponibili) per migliorare la rilevazione di lesioni su nuovi traccianti come il PSMA, dove i dati etichettati sono scarsi e costosi da ottenere.
• Efficienza: L'approccio è computazionalmente efficiente rispetto alle tecniche avversariali tradizionali per dati 3D, rendendolo pratico per l'uso clinico.
• Limitazioni: Il metodo dipende dalla corretta discretizzazione (binning) delle dimensioni e attualmente gestisce solo una classe di lesioni. Futuri lavori potrebbero includere la selezione ponderata sull'incertezza e l'estensione a scenari multi-classe.