Improved Anomaly Detection in Medical Images via Mean Shift Density Enhancement

Titolo: Rilevamento delle Anomalie nelle Immagini Mediche Migliorato tramite Rafforzamento della Densità Mean Shift (MSDE)

Autori: Pritam Kar, Gouri Lakshmi S, Saptarshi Bej (School of Data Science, IISER, India)

1. Il Problema

Il rilevamento delle anomalie nelle immagini mediche è fondamentale per identificare condizioni patologiche rare, specialmente quando i campioni annotati di casi anomali sono scarsi o inesistenti.

• Sfide principali: La rarità di alcune patologie, l'alto costo dell'annotazione esperta e le restrizioni sulla privacy rendono difficile ottenere grandi dataset etichettati per l'apprendimento supervisionato.
• Limiti degli approcci attuali:
  • I metodi basati sulla ricostruzione (es. autoencoder) spesso falliscono nel rilevare anomalie sottili o localizzate che non alterano significativamente l'errore di ricostruzione.
  • I metodi basati sulle feature estraggono rappresentazioni robuste ma trattano lo spazio latente come statico, non sfruttando appieno la struttura geometrica intrinseca (varietà o manifold) dei dati.
  • I metodi basati sulla densità modellano la distribuzione dei dati normali ma spesso non adattano lo spazio delle feature per massimizzare la separazione tra casi normali e anomali prima del calcolo del punteggio.

2. Metodologia Proposta

Gli autori propongono un framework ibrido che integra l'apprendimento di rappresentazioni auto-supervisionate con una stima della densità basata sulla varietà dei dati. Il framework segue un paradigma di apprendimento a una sola classe (one-class), addestrando solo su campioni normali.

Il processo si articola in tre fasi principali:

1. Estrazione delle Feature (Feature Extraction):

   • Le immagini mediche vengono inserite in uno spazio latente ad alta dimensionalità (512 dimensioni) utilizzando backbone neurali pre-addestrati.
   • Vengono utilizzati due tipi di backbone a seconda del dataset: AnatPaste (auto-supervisionato specifico per dominio) per le radiografie del torace e ResNet18 (pre-addestrato su ImageNet) per le altre modalità (MRI, dermatoscopia, ecc.).

2. Rafforzamento della Densità Mean Shift (MSDE - Mean Shift Density Enhancement):

   • Questa è la novità centrale del lavoro. Le feature estratte vengono raffinate iterativamente tramite l'algoritmo MSDE.
   • L'algoritmo costruisce un grafo di similarità basato sul vicinato locale e calcola pesi di densità specifici per ogni campione.
   • Le embedding latenti vengono spostate iterativamente verso regioni di maggiore densità (alta probabilità) nello spazio latente.
   • Obiettivo: Comprimere i cluster di campioni normali in hub topologici compatti e ad alta densità, spingendo le istanze anomale verso la periferia o rendendole più disperse, migliorando così la separabilità.

3. Punteggio delle Anomalie basato sulla Densità:

   • Dopo il raffinamento, le feature vengono proiettate in uno spazio a dimensionalità ridotta (256 dimensioni) tramite PCA (Principal Component Analysis) per garantire stabilità numerica.
   • Viene modellata la distribuzione dei dati normali raffinati utilizzando un Stimatore di Densità Gaussiana (GDE).
   • Il punteggio di anomalia viene calcolato utilizzando la Distanza di Mahalanobis, che tiene conto della struttura di covarianza dei dati (a differenza della distanza euclidea).
   • I punteggi grezzi vengono normalizzati tramite una funzione sigmoide per ottenere valori nell'intervallo [0, 1].

3. Contributi Chiave

• Introduzione di un passo intermedio di raffinamento: Il lavoro introduce il concetto di "raffinamento della varietà latente" come fase intermedia tra l'estrazione delle feature e il punteggio finale, un approccio poco esplorato nel rilevamento delle anomalie mediche.
• Framework Ibrido: Combina efficacemente l'apprendimento di rappresentazioni (feature-based) con la modellazione probabilistica della densità, superando i limiti degli approcci puri.
• Indipendenza dal Ri-addestramento: Il metodo MSDE opera sulle feature pre-estratte senza richiedere la modifica o il ri-addestramento dei backbone neurali sottostanti, rendendolo modulare e facilmente integrabile.
• Robustezza: Dimostra che la struttura geometrica nascosta nelle rappresentazioni latenti pre-addestrate può essere sfruttata per migliorare le prestazioni senza nuovi dati annotati.

4. Risultati Sperimentali

Il framework è stato valutato su 7 dataset medici pubblici che coprono 5 modalità di imaging (Radiografie toraciche, MRI cerebrali, Fundus retinici, Immagini dermatoscopiche, Istopatologia).

• Prestazioni Generali: MSDE ha raggiunto prestazioni state-of-the-art (SOTA) su 4 dataset per AUC (Area Under the Curve) e su 5 dataset per AP (Average Precision).
• Risultati Specifici:
  • Rilevamento Tumori Cerebrali (Brain Tumor): Prestazioni quasi perfette con 0.981 AUC e 0.981 AP, superando i modelli precedenti e risolvendo il tipico compromesso tra precisione e richiamo.
  • Camelyon16 (Istopatologia): Ha superato modelli complessi basati su diffusione (AutoDDPM) e autoencoder, ottenendo un AUC di 0.812 contro 0.807, pur utilizzando un approccio geometrico più leggero.
  • VinDr-CXR: Ha migliorato significativamente l'AUC rispetto al miglior modello esistente (da 0.769 a 0.819).
• Limiti: Le prestazioni sono state inferiori sul dataset ISIC 2018 (dermatoscopia) rispetto al modello AnatPaste ottimizzato. Questo è attribuito alla natura omogenea delle texture dermoscopiche, che rende le feature estratte meno discriminative fin dall'inizio ("garbage in, garbage out").

5. Significato e Impatto

• Strumento Clinico Scalabile: Il framework si presenta come un potente strumento di supporto alle decisioni cliniche per la diagnosi precoce e lo screening in contesti con etichette limitate.
• Efficienza Computazionale: A differenza dei metodi basati sulla ricostruzione o sulla diffusione che richiedono generazione di immagini o ottimizzazione end-to-end, MSDE opera su embedding pre-estratti, rendendolo computazionalmente più leggero e scalabile.
• Nuovo Paradigma: Il lavoro suggerisce che il futuro del rilevamento delle anomalie non risiede solo nel migliorare gli encoder, ma anche nell'ottimizzare la trasformazione dello spazio delle feature prima della decisione finale.
• Adattabilità: La natura modulare permette l'integrazione con futuri modelli foundation e diverse modalità di imaging senza necessità di ri-addestramento massivo.

In conclusione, MSDE dimostra che il raffinamento iterativo dello spazio latente basato sulla densità è un principio potente e sottoutilizzato per migliorare il rilevamento delle anomalie nelle immagini mediche.