Adapting Foundation Models for Annotation-Efficient Adnexal Mass Segmentation in Cine Images

1. Il Problema

La valutazione delle masse annessiali (lesioni ovariche o tubariche) tramite ecografia è un compito clinico cruciale per distinguere tra lesioni benigne e maligne. Tuttavia, questo processo presenta diverse sfide:

• Variabilità soggettiva: La diagnosi dipende fortemente dall'esperienza dell'operatore e dalla qualità dell'acquisizione, portando a una significativa variabilità inter-osservatore.
• Qualità dell'immagine: Le immagini ecografiche sono intrinsecamente difficili da analizzare a causa del rumore speckle, dell'ombreggiatura acustica e del basso contrasto, che complicano sia l'analisi manuale che quella automatizzata.
• Limitazioni delle annotazioni: La segmentazione automatica è fondamentale per la valutazione quantitativa del rischio (es. estrazione di feature radiomiche), ma i metodi tradizionali basati su reti convoluzionali completamente supervisionate (come U-Net) richiedono grandi quantità di annotazioni a livello di pixel, che sono costose, laboriose e soggette a errori.
• Scarsità di dati: In ambito clinico, la disponibilità di dataset annotati è spesso limitata, rendendo difficile l'addestramento di modelli robusti che generalizzino bene.

2. Metodologia

Gli autori propongono un framework di segmentazione efficiente in termini di annotazioni che sfrutta i vantaggi dei modelli fondazione (Foundation Models) pre-addestrati.

• Architettura del Modello:

  • Backbone (Codificatore): Viene utilizzato DINOv3, un modello di visione fondazione pre-addestrato su un corpus massiccio di immagini RGB naturali. Il backbone viene mantenuto frozen (non addestrato) durante l'addestramento per preservare i suoi priori semantici robusti. Le immagini ecografiche in scala di grigi vengono convertite in formato pseudo-RGB (replicando i canali) per adattarsi all'input del modello.
  • Decoder: Viene impiegato un decoder di tipo Dense Prediction Transformer (DPT), ispirato all'architettura RefineNet. Questo decoder riprende le mappe di caratteristiche gerarchiche estratte dal backbone (livelli specifici $F_3, F_6, F_9, F_{12}$) e le riassembla per combinare la semantica globale con i dettagli spaziali fini necessari per la segmentazione.
  • Processo: Le mappe di caratteristiche vengono proiettate in uno spazio di embedding comune, riassemblate attraverso blocchi di fusione residua e infine passate a un testina di predizione leggera (convoluzione) per generare la maschera binaria.

• Addestramento e Supervisione:

  • Il modello è addestrato in modo supervisionato su un dataset di frame cine ecografici con maschere annotate da esperti.
  • La funzione di perdita combina la Cross-Entropy Binaria (BCE) e la Dice Loss per gestire lo squilibrio delle classi e l'ambiguità dei bordi.
  • I pesi del backbone DINOv3 rimangono fissi; solo il decoder e la testina di predizione vengono aggiornati.

3. Contributi Chiave

1. Adattamento di DINOv3: Prima applicazione di un backbone DINOv3 congelato con un decoder DPT per la segmentazione di masse annessiali in immagini ecografiche cine.
2. Benchmark Rigoroso: Confronto sistematico contro lo stato dell'arte (SOTA) basato su CNN (U-Net, U-Net++, DeepLabV3, MAnet) utilizzando split a livello di paziente e metriche sia di sovrapposizione che di confine.
3. Analisi di Efficienza: Studio approfondito su tre dimensioni critiche:
   • Scala del Backbone: Analisi dell'impatto delle dimensioni del modello (Small, Base, Large).
   • Scarsità di Dati (Data Starvation): Valutazione delle prestazioni con riduzioni progressive del dataset di addestramento (fino al 25%).
   • Risoluzione: Impatto dell'aumento della risoluzione di input (da 224x224 a 512x512) sulla qualità dell'apprendimento.

4. Risultati Sperimentali

Il modello è stato valutato su un dataset clinico di 7.777 frame annotati provenienti da 112 pazienti.

• Prestazioni Assolute:

  • Il metodo proposto ha raggiunto un Dice Score di 0.945 e un IoU di 0.897 (a risoluzione 224x224), superando tutti i baseline convoluzionali.
  • Ha ottenuto una riduzione del 11.4% nella distanza di Hausdorff al 95° percentile (HD95) rispetto al miglior baseline convoluzionale (U-Net++), indicando una maggiore fedeltà dei bordi e una migliore adesione anatomica.
  • Le metriche di distanza media della superficie (MSD) sono state ridotte del 14.1% rispetto a U-Net.

• Efficienza in Regimi di Scarsità di Dati:

  • In scenari di "data starvation" (addestramento con solo il 25% dei dati), i modelli basati su DINOv3 hanno mantenuto prestazioni molto elevate (Retention Index > 0.90 per la maggior parte delle metriche).
  • Al contrario, i modelli CNN baselines hanno mostrato un crollo delle prestazioni, mantenendo meno del 90% della loro efficacia originale.
  • Sorprendentemente, la versione Small di DINOv3 si è dimostrata leggermente più robusta rispetto alle versioni più grandi in condizioni di dati limitati.

• Analisi della Scala e della Risoluzione:

  • Saturazione della Capacità: Aumentare la dimensione del backbone oltre la versione "Base" (passando a "Large") ha portato a un peggioramento delle prestazioni, suggerendo un sovradattamento (overfitting) sui dati specifici di addestramento ecografico.
  • Effetto della Risoluzione: Contrariamente alle aspettative, aumentare la risoluzione di input a 512x512 ha causato un degrado significativo nelle prestazioni (Area Under the Learning Curve), indicando che per i modelli fondazione congelati, risoluzioni più elevate complicano l'ottimizzazione senza fornire benefici strutturali aggiuntivi in questo contesto.

5. Significato e Implicazioni

Questo lavoro dimostra che l'utilizzo di priors semantici su larga scala derivati da modelli fondazione auto-supervisionati offre una soluzione promettente per la segmentazione medica in ambienti clinici vincolati dai dati.

• Riduzione dell'Onere di Annotazione: Il framework permette di ottenere prestazioni di stato dell'arte con una frazione minima di dati annotati, riducendo i costi e i tempi di sviluppo.
• Robustezza Clinica: La capacità di mantenere alte prestazioni anche con pochi dati e di delineare con precisione i bordi (critico per la valutazione del rischio di malignità) rende questo approccio ideale per l'integrazione nei flussi di lavoro clinici reali.
• Nuova Direttiva per la Ricerca: Lo studio evidenzia che per compiti medici specifici, "più grande" non è sempre "meglio". Modelli di dimensioni moderate (come DINOv3-Base o Small) offrono il miglior compromesso tra efficienza computazionale, robustezza e accuratezza, evitando i rischi di overfitting associati a modelli eccessivamente grandi su dataset medici limitati.

In sintesi, l'integrazione di modelli fondazione con decoder specifici per il dominio rappresenta una via scalabile e principiale per l'analisi medica delle immagini, superando le limitazioni dei metodi puramente supervisionati tradizionali.