Optimization in Sparse 2D to Dense 3D Weakly Supervised Learning: Application to Multi-Label Segmentation of Large ex vivo MRI Data

Sintesi Tecnica: Ottimizzazione nell'Apprendimento Debolmente Supervisionato da 2D Sparsa a 3D Densa per la Segmentazione Multi-Etichetta di Grandi Dati MRI ex vivo

Enunciato del Problema
Le immagini MRI ad alta risoluzione ex vivo del midollo spinale (tipicamente 50–100 µm isotropi) offrono una caratterizzazione anatomica dettagliata della patologia della sclerosi multipla (SM), inclusi i lesioni della sostanza grigia (SG) e della sostanza bianca (SB). Tuttavia, il volume enorme dei dati (migliaia di slice per campione) rende proibitivamente costosa l'annotazione manuale densa e voxel per voxel. I ricercatori sono spesso costretti a fare affidamento su annotazioni 2D sparse (ad esempio, 428 slice su un totale di oltre 104.000 slice). Ciò crea una dicotomia tecnica: i modelli 2D addestrati su slice sparse mancano di contesto volumetrico, portando a previsioni incoerenti lungo l'asse Z, mentre i modelli 3D richiedono una verità fondamentale densa che non esiste. Le soluzioni esistenti, come le strategie 2.5D o l'insegnamento incrociato, tentano di colmare questo divario, ma le linee guida per l'ottimizzazione di tali pipeline "da Sparsa a Densa" rimangono ambigue, in particolare per quanto riguarda la trasferibilità delle strategie di ottimizzazione 2D ai contesti 3D.

Metodologia
Gli autori propongono un framework da Sparsa a Densa in tre fasi che utilizza un'architettura 2D Teacher e una 3D Student, entrambe basate su nnU-Net v2.

1. Dataset: Lo studio utilizza dati MRI ex vivo del midollo spinale a 9.4T da pazienti con SM (12 campioni, 43.719 slice assiali). La verità fondamentale consiste in 428 slice segmentate manualmente su quattro classi: SB Sana, SG Sana, Lesione SB e Lesione SG.
2. Fase 1 (Teacher 2D): Un nnU-Net 2D viene addestrato sulle annotazioni sparse. Gli autori hanno ottimizzato sistematicamente questa fase testando le modalità di input (Magnitudine vs. Fase), le tecniche di pre-elaborazione (CLAHE, stretching del contrasto), l'aumento spaziale e la regolarizzazione con etichette soft.
3. Fase 2 (Generazione di Pseudo-Etichette): Il Teacher 2D ottimizzato genera pseudo-etichette volumetriche dense per l'intero dataset utilizzando l'ensemble (validazione incrociata a 4 fold) e l'Aumento al Tempo di Test (TTA).
4. Fase 3 (Student 3D): Un nnU-Net 3D viene addestrato sulle pseudo-etichette dense per apprendere le caratteristiche volumetriche e la coerenza longitudinale. Gli autori hanno applicato la stessa ottimizzazione sistematica (pre-elaborazione, aumento, etichette soft) allo Student 3D per determinare se le strategie 2D si trasferiscono efficacemente.
5. Valutazione: Le prestazioni sono state valutate utilizzando il Punteggio Dice, la Distanza di Hausdorff al 95° percentile (HD95) e una nuova metrica di Coerenza Geometrica (Dice Inter-slice, DSCz) per misurare la regolarità lungo l'asse Z.

Principali Contributi
Il paper apporta tre contributi principali:

1. La Divergenza di Percezione: Evidenza empirica che dimostra come le tecniche di pre-elaborazione ottimizzate per la percezione visiva umana (in particolare CLAHE e stretching del contrasto) siano dannose per le prestazioni dell'apprendimento automatico in questo dominio. Questi metodi hanno degradato i Punteggi Dice delle Lesioni della SG fino a 25 punti percentuali, interrompendo le statistiche di intensità globale essenziali per il modello.
2. Esigenze di Regolarizzazione Divergenti: Identificazione di un conflitto critico nelle pipeline da Sparsa a Densa. Mentre l'aumento spaziale aggressivo e l'etichettatura soft hanno migliorato significativamente il Teacher 2D (migliorando il rilevamento delle Lesioni SB di oltre 11 punti Dice), queste stesse tecniche hanno degradato le prestazioni dello Student 3D.
3. Modello ad Accesso Aperto: Il rilascio di un modello addestrato per la segmentazione di SB, SG e lesioni da SM in MRI del midollo spinale umano ex vivo, disponibile tramite la Spinal Cord Toolbox.

Risultati

• Modalità di Input: I modelli a doppio input (Magnitudine + Fase) hanno superato i modelli basati solo sulla magnitudine, in particolare per la stabilità delle Lesioni SG e la precisione dei confini (HD95), confermando la necessità dei dati di fase per risolvere i fini confini anatomici.
• Pre-elaborazione: Contrariamente all'ipotesi che il miglioramento visivo aiuti il modello, l'applicazione di CLAHE alle immagini di magnitudine e dello stretching del contrasto alle immagini di fase ha causato gravi cali di prestazioni. Il Dice delle Lesioni SG 2D è sceso da 0,665 a 0,415 con CLAHE sulla magnitudine. Il modello 3D ha mostrato un degrado simile, sebbene abbia esibito una resilienza leggermente maggiore nelle metriche dei confini (HD95) per le Lesioni SG, suggerendo che il contesto volumetrico offre una certa protezione contro la distorsione della texture.
• Aumento:
  • 2D: L'aumento spaziale aggressivo (rotazioni, scalature, shear) è stato fondamentale. Senza di esso, il Dice delle Lesioni SB è sceso a 0,631; con un aumento moderato (Aug2), ha raggiunto 0,743.
  • 3D: È stato osservato l'opposto. Lo Student 3D ha raggiunto le sue prestazioni più elevate (Dice Totale Medio 0,772) con nessun aumento spaziale. L'introduzione dell'aumento ha degradato le prestazioni, con le impostazioni più aggressive che hanno causato un crollo della fedeltà dei confini.
• Etichette Soft:
  • 2D: L'etichettatura soft (Soft Seg 2) ha migliorato le prestazioni, portando il Dice delle Lesioni SB a 0,744 e affinando la precisione dei confini.
  • 3D: L'etichettatura soft non ha fornito alcun beneficio e ha leggermente peggiorato i risultati. Gli autori suggeriscono che le pseudo-etichette generate dall'ensemble 2D smussano già l'incertezza, rendendo la regolarizzazione aggiuntiva con perdita soft controproducente (sovra-smussamento).
• Coerenza Volumetrica: La transizione da 2D a 3D ha prodotto un guadagno significativo nella continuità geometrica. Lo stacking ingenuo delle previsioni 2D ha risultanto in un basso Dice Inter-slice (DSCz) di 0,785, mentre lo Student 3D ha raggiunto 0,900. Tuttavia, questa regolarità è arrivata con un compromesso: lo Student 3D ha avuto un HD95 leggermente più alto (1,00 mm) rispetto al Teacher 2D ottimizzato (0,72 mm), indicando un passaggio da una rigorosa adesione al contorno nel piano a una plausibilità biologica.

Significato e Affermazioni
Il paper afferma che la transizione da 2D a 3D nell'apprendimento debolmente supervisionato non è semplicemente un trucco di inferenza, ma un cambiamento fondamentale nella dinamica di apprendimento. Gli autori sostengono che le architetture 3D addestrate su pseudo-etichette dense esibiscono paesaggi di ottimizzazione diversi rispetto alle loro controparti 2D. Nello specifico, i rischi di "apprendimento scorciatoia" che necessitano di un aumento aggressivo nelle impostazioni 2D sparse sono mitigati in 3D dalla densità delle pseudo-etichette, rendendo tale aumento dannoso. Allo stesso modo, la modellazione dell'incertezza benefica per l'imitazione del valutatore umano in 2D diventa ridondante o distruttiva quando il modello 3D è addestrato su previsioni di ensemble già mediate.

Lo studio conclude che le pratiche standard di visione artificiale (pre-elaborazione centrata sull'uomo, aumento aggressivo, etichettatura soft) non possono essere trasferite ciecamente dalle attività di segmentazione medica 2D a quelle 3D. Al contrario, i modelli 3D addestrati su pseudo-etichette dense richiedono una strategia di regolarizzazione distinta e conservativa che privilegi la coerenza volumetrica rispetto alle specifiche tecniche di riduzione del rumore richieste per l'addestramento 2D sparso. Questo lavoro sfida l'assunto che "più dati" (pseudo-etichette dense) permettano semplicemente l'applicazione diretta delle euristiche di ottimizzazione 2D, evidenziando un "divario dimensionale" nelle esigenze di regolarizzazione.