Center-Aware Detection with Swin-based Co-DETR Framework for Cervical Cytology

Titolo

Rilevamento Consapevole del Centro con Framework Co-DETR Basato su Swin per la Citologia Cervicale

1. Problema e Contesto

L'analisi automatizzata delle immagini dei strisci di Papanicolaou (Pap smear) è fondamentale per lo screening del cancro cervicale, ma presenta sfide significative a causa della distribuzione densa delle cellule e della loro morfologia complessa.
Il RIVA Cervical Cytology Challenge ha fornito un dataset di riferimento con annotazioni rigorose, valutando gli algoritmi su due tracce:

• Track A: Localizzazione e classificazione (in 8 categorie Bethesda).
• Track B: Solo localizzazione delle cellule.

Sono state identificate tre principali criticità nell'applicazione diretta di architetture di rilevamento moderne a questo dataset:

1. Oggetti piccoli e densi: Le cellule occupano una frazione minima di immagini ad alta risoluzione e sono spesso raggruppate.
2. Vincoli di annotazione e bias dimensionale: Le annotazioni "ground truth" sono rigidamente fissate a 100x100 pixel. I rilevatori basati sulla regressione standard tendono a prevedere box eccessivamente grandi per mitigare le penalità IoU (Intersection over Union) causate da piccoli spostamenti del centro, introducendo rumore nella regressione dimensionale.
3. Integrità Morfologica: La classificazione accurata dipende da strutture cellulari intatte (es. rapporto nucleo-citoplasma), che vengono spesso distrutte dal cropping casuale standard.

2. Metodologia

La soluzione proposta riformula il problema di rilevamento come un compito di predizione del punto centrale (center-point prediction), integrando un framework Co-DINO con un backbone Swin-Large.

Componenti Chiave:

• Framework Co-DINO con Backbone Swin-Large:

  • Invece di utilizzare modelli ViT (Vision Transformer) standard, è stato scelto Swin-Large per la sua capacità di creare rappresentazioni gerarchiche multi-scala tramite finestre di attenzione localizzate spostate. Questo offre una maggiore sensibilità ai dettagli spaziali piccoli, cruciali per le cellule ravvicinate.
  • Il modello utilizza un decodificatore collaborativo con supervisione ausiliaria. Oltre al branch principale (one-to-one matching), vengono impiegati branch ausiliari (addestramento solo) basati su testate classiche (Faster R-CNN, ATSS, RetinaNet, FCOS) che forniscono supervisione densa (one-to-many) per migliorare la discriminazione e la robustezza.

• Strategia di Data Augmentation "Center-Preserving":

  • Per evitare di addestrare il modello su frammenti cellulari privi di significato diagnostico (es. un nucleo tagliato), viene adottata una strategia di cropping che mantiene solo le cellule il cui centro geometrico cade all'interno della regione ritagliata. Le cellule con il centro fuori dal crop vengono scartate. Questo garantisce che il modello apprenda solo morfologie biologicamente valide.

• Ottimizzazione Geometrica Analitica delle Bounding Box:

  • Poiché il compito è formulato come predizione del centro, le dimensioni della box vengono ottimizzate post-processing.
  • Invece di lasciare che la rete regredisca le dimensioni (che porta a rumore), tutte le predizioni vengono forzate a una dimensione fissa di 101.5 x 101.5 pixel.
  • Logica: Espandere leggermente la box rispetto al ground truth (100x100) crea un "buffer spaziale" che assorbe gli errori di localizzazione del centro (jitter), massimizzando l'IoU atteso senza modificare l'architettura del modello.

• Ribilanciamento della Loss Specifico per Track:

  • La funzione di perdita totale viene adattata dinamicamente in base alla traccia:
    • Track A (Classificazione + Rilevamento): Viene data priorità alla classificazione fine (λ_cls = 3.5) per distinguere categorie visivamente simili.
    • Track B (Solo Rilevamento): Viene data priorità alla precisione di localizzazione (λ_L1 = 3.5), riducendo il peso della loss di classificazione.

3. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset ufficiale RIVA utilizzando PyTorch e MMDetection su una GPU NVIDIA RTX 4090.

• Prestazioni Generali:

  • Track B: 1° posto con un mAP di 0.609.
  • Track A: 2° posto con un mAP di 0.237.
  • Il modello basato su Swin-Large ha superato i modelli basati su CNN (come YOLO, RetinaNet) e altri Transformer (Co-Deformable-DETR, Co-DINO-ViT), dimostrando la superiorità dell'estrazione di features gerarchiche per oggetti piccoli e densi.

• Studio Ablativo (Tabella 2):

  • L'aggiunta del Center-Preserving Cropping ha migliorato il mAP da 0.604 a 0.611.
  • L'aggiunta dell'Ottimizzazione della Box (B.O.) ha portato un salto significativo a 0.634.
  • Il Loss Tuning (L.T.) ha portato il risultato finale a 0.635 (nota: i valori nella tabella di ablation sembrano riferirsi a una configurazione specifica o a un'ottimizzazione ulteriore rispetto alla tabella 1, ma il trend di miglioramento è chiaro).

• Efficacia dell'Ottimizzazione Geometrica:

  • L'applicazione della box ottimizzata a 101.5x101.5 ha migliorato le prestazioni di tutti i modelli baseline testati (inclusi YOLO e CenterNet), confermando che si tratta di un miglioramento "model-agnostic" efficace per annotazioni a dimensione fissa.

4. Contributi Chiave

1. Baseline Potente: Integrazione di Co-DINO con Swin-Large per l'estrazione di features multi-scala gerarchiche, ideale per la citologia.
2. Augmentation Conservativa del Centro: Una strategia di cropping che preserva l'integrità morfologica delle cellule, eliminando supervisione rumorosa.
3. Ottimizzazione Geometrica Analitica: Una tecnica post-processing che risolve il problema del bias dimensionale delle annotazioni fisse, massimizzando l'IoU attraverso un buffer matematico calcolato.
4. Adattamento della Loss: Una strategia di re-weighting dinamica che allinea gli aggiornamenti del gradiente agli obiettivi specifici di valutazione di ciascuna traccia.

5. Significato e Conclusioni

Questo lavoro presenta una soluzione ingegneristica altamente efficace per la sfida della citologia cervicale, ottenendo risultati di punta (1° e 2° posto).
Il contributo più significativo va oltre i risultati specifici: la tecnica di Ottimizzazione Geometrica delle Bounding Box offre un metodo semplice, agnostico rispetto al modello e a basso costo computazionale per migliorare i compiti di rilevamento con annotazioni a dimensione fissa.
Sebbene l'approccio sia stato guidato principalmente dalla massimizzazione della metrica mAP, le intuizioni geometriche e la pipeline proposta forniscono un riferimento pratico per sfide simili di rilevamento di oggetti in contesti medici e non, dove le annotazioni rigide possono limitare le prestazioni dei modelli standard. Il codice è stato reso disponibile pubblicamente.