Mammographic Lesion Segmentation with Lightweight Models: A Comparative Study

Riassunto Tecnico: Segmentazione di Lesioni Mammografiche con Modelli Leggeri

1. Il Problema (Problem Statement)

Il cancro al seno è una delle principali cause di mortalità femminile a livello globale, rendendo la mammografia lo strumento di screening fondamentale. Sebbene i modelli di deep learning abbiano mostrato ottime prestazioni nella segmentazione delle lesioni, la maggior parte di essi si basa su architetture computazionalmente intensive (come le varianti standard di U-Net) che richiedono GPU potenti.

Questo crea una barriera significativa per l'implementazione di sistemi di Diagnosi Assistita dal Computer (CAD) in ambienti con risorse limitate, come cliniche rurali, paesi a basso/medio reddito o dispositivi edge (point-of-care), dove l'accesso a infrastrutture cloud o hardware ad alte prestazioni è limitato o problematico per ragioni di latenza e privacy dei dati.

2. Metodologia (Methodology)

Lo studio propone un approccio comparativo focalizzato sull'efficienza, valutando modelli progettati per l'efficienza computazionale rispetto a un modello standard.

• Architetture Valutate: Il ricercatore ha confrontato un baseline U-Net (con backbone ResNet34) con diversi modelli "lightweight": MobileNetV2, EfficientNet Lite, ENet e Fast-SCNN. Per testare l'efficacia dei meccanismi di attenzione, sono state implementate versioni di MobileNetV2 ed EfficientNet Lite integrate con moduli Squeeze-and-Excitation (SCSE).
• Dataset:
  • INbreast: Utilizzato per l'addestramento e la validazione tramite una procedura di cross-validazione a 5 fold.
  • DMID: Utilizzato per la valutazione della generalizzazione cross-dataset (test su dati acquisiti con apparecchiature diverse per simulare il mondo reale).
• Configurazione Sperimentale: Per riflettere i vincoli di deployment reali, tutti gli esperimenti sono stati condotti senza accelerazione GPU (solo CPU). Le immagini sono state normalizzate, ridimensionate a 1024×1024 e sottoposte a tecniche di data augmentation (CLAHE, rotazioni, flipping).
• Funzione di Perdita (Loss Function): È stata utilizzata una combinazione di Binary Cross-Entropy (BCE) e Dice Loss per gestire lo sbilanciamento delle classi (le lesioni occupano una porzione minima dell'immagine rispetto allo sfondo).
• Metriche di Valutazione: Dice Score (DSC), Intersection over Union (IoU) e Recall (sensibilità).

3. Contributi Chiave (Key Contributions)

• Valutazione Sistemica dell'Efficienza: A differenza della letteratura esistente, che privilegia quasi esclusivamente l'accuratezza, questo studio introduce metriche di complessità (numero di parametri e FLOPs) come criteri decisivi.
• Analisi del Trade-off Performance-Efficienza: Dimostra che è possibile ottenere risultati competitivi riducendo drasticamente il carico computazionale.
• Test di Generalizzazione e Sensibilità alla Soglia: Lo studio analizza come i modelli leggeri reagiscono al domain shift (cambio di dataset) e come la scelta della soglia di segmentazione influenzi i risultati su dati esterni.

4. Risultati (Results)

• Prestazioni su INbreast: Il modello MobileNetV2 + SCSE ha ottenuto le migliori prestazioni con un Dice Score di 0,5766, superando il baseline U-Net (0,4532). Significativamente, questo modello utilizza circa il 75% in meno di parametri rispetto a U-Net.
• Efficienza: Modelli come Fast-SCNN e EfficientNet Lite hanno mostrato una riduzione drastica dei FLOPs, rendendoli ideali per l'esecuzione su CPU.
• Generalizzazione (DMID): Il passaggio al dataset DMID ha causato un calo dell'accuratezza (Dice Score sceso a 0,4381) a causa del domain shift, ma il Recall è rimasto relativamente stabile (calo minimo del 4,35%). Ciò indica che, sebbene la precisione dei bordi diminuisca, la capacità del modello di individuare la presenza della lesione è preservata.
• Analisi della Soglia: È stato osservato che aumentare la soglia di segmentazione migliora leggermente il Dice e l'IoU (riducendo la sovra-segmentazione), ma non influisce significativamente sul Recall.

5. Significato e Conclusioni (Significance)

Lo studio conclude che non è sempre necessario utilizzare modelli massicci per la segmentazione mammografica. Le architetture leggere, specialmente quelle potenziate da moduli di attenzione come SCSE, offrono un equilibrio pratico tra accuratezza e deployabilità.

Questi risultati aprono la strada alla creazione di sistemi CAD accessibili e decentralizzati, capaci di operare su hardware comune senza la necessità di costose GPU o connessioni cloud costanti, democratizzando così l'accesso alla diagnostica avanzata per immagini.