SCKAN: Structural Consensus-based KAN Prototype Learning for Semi-Supervised Pancreas Segmentation

Riepilogo Tecnico: SCKAN – Apprendimento di Prototipi KAN basato su Consenso Strutturale per la Segmentazione Semi-Supervisionata del Pancreas

Enunciato del Problema
Una segmentazione accurata del pancreas è vitale per la diagnosi precoce del cancro, ma è ostacolata dalla scarsità di dati medici annotati, rendendo necessario l'Apprendimento Semi-Supervisionato (SSL). I metodi SSL esistenti, in particolare quelli basati sulla Regolarizzazione della Coerenza (CR) o sull'Apprendimento di Prototipi (PL), affrontano severe limitazioni nella generalizzabilità quando applicati a dati pancreatici. Ciò è dovuto alla significativa variabilità morfologica inter-campione (differenze di forma e dimensione tra i pazienti). Queste limitazioni portano a un problema di "Bias di Supervisione": i modelli non riescono a generalizzare oltre la limitata guida etichettata, risultando in sottosegmentazione o sovrasegmentazione. I metodi attuali mancano di conoscenza strutturale condivisa tra i campioni; trattano i campioni in isolamento o si affidano a prototipi vincolati da una supervisione scarsa, fallendo nel catturare le semantica strutturali analoghe (testa, corpo, coda) che esistono tra morfologie diverse.

Metodologia: SCKAN
Gli autori propongono l'Apprendimento di Prototipi KAN basato su Consenso Strutturale (SCKAN), il primo framework che integra le Reti di Kolmogorov-Arnold (KAN) con l'apprendimento del consenso strutturale cross-campione per la Segmentazione Semi-Supervisionata del Pancreas (SSPS). Costruito su un framework Mean-Teacher, SCKAN impiega due componenti fondamentali per affrontare il bias di supervisione:

1. Apprendimento di Coerenza dei Prototipi Vincolato alla Struttura (SPCL):

   • Decomposizione Spaziale Consapevole della Struttura (SSD): Questo modulo scompone il pancreas in sottoregioni spazialmente coerenti (testa, corpo, coda) utilizzando il clustering K-means guidato dall'anatomia sulle coordinate spaziali. Ciò stabilisce una corrispondenza strutturale cross-campione affidabile, garantendo che i prototipi provenienti da campioni diversi rappresentino parti anatomiche analoghe.
   • Calibrazione della Coerenza Posizionale (PCC): Per rifinire questi prototipi, la PCC introduce due meccanismi:
     • Apprendimento Contrastivo Ponderato per Posizione: Assegna pesi specifici alle coppie di prototipi in base al fatto che condividano la stessa classe e regione, ottimizzando l'allineamento cross-campione e la discriminabilità inter-classe.
     • Regolarizzazione di Decorrelazione Posizionale: Impone una penalità sui prototipi intra-campione per garantire la diversità tra le sottoregioni (ad esempio, assicurando che il prototipo della testa rimanga distinto dal prototipo della coda all'interno dello stesso campione).

2. Fusione basata su Consenso di Kolmogorov-Arnold (CKaF):

   • Questo modulo sfrutta le superiori capacità di adattamento non lineare delle KAN per aggregare un consenso strutturale stabile, filtrando al contempo il rumore specifico del campione.
   • Utilizza le funzioni adattive B-spline delle KAN con supporto locale per modellare relazioni complesse e non lineari cross-campione. Elaborando i prototipi etichettati e non etichettati attraverso strati KAN ed eseguendo una media a livello di batch, la CKaF sintetizza un "Prototipo di Consenso Strutturale". Questo processo filtra efficacemente il rumore specifico della morfologia e aggrega conoscenze stabili condivise tra campioni ad alta variabilità, riducendo il bias.

3. Apprendimento Sinergico Guidato dal Consenso:

   • La rete di segmentazione e lo spazio dei prototipi sono collegati tramite regolarizzazione della coerenza. Una funzione di perdita ibrida (che combina Dice e Cross-Entropy) viene applicata sia alle previsioni di segmentazione sia alle previsioni basate sui prototipi. Una funzione di riscaldamento Gaussiana dipendente dal tempo aumenta gradualmente il contributo dell'apprendimento del consenso durante l'addestramento.

Contributi Chiave

• Primo Consenso Strutturale Cross-Campione con KAN: Il documento introduce la prima applicazione delle KAN per costruire un apprendimento del consenso strutturale cross-campione nel contesto della SSPS, mirando specificamente al bias di supervisione causato dalla diversità morfologica pancreatica.
• Nuovo Meccanismo SPCL: Gli autori progettano un meccanismo di coerenza a livello di prototipi guidato dall'anatomia che promuove rappresentazioni strutturali non biasate imponendo un allineamento cross-campione a livello di sottoregione (testa, corpo, coda).
• Nuova Strategia CKaF: Viene proposta una strategia di fusione cross-campione potenziata dalle KAN per aggregare un consenso stabile e filtrare il rumore specifico del campione, riducendo così il bias specifico della morfologia.

Risultati Sperimentali
Il metodo è stato valutato su due dataset pubblici: NIH-PAN (80 scansioni TC) e MSD-PAN (281 casi annotati).

• Prestazioni: SCKAN ha ottenuto risultati all'avanguardia su entrambi i dataset. Sul dataset NIH-PAN con solo il 5% di dati etichettati (3 campioni), SCKAN ha raggiunto un punteggio Dice del 78,91%, superando significativamente i precedenti metodi SSL come BCP (74,90%) e MPER (74,88%).
• Robustezza: Sul più impegnativo dataset MSD-PAN, SCKAN ha mantenuto prestazioni competitive con una varianza costantemente bassa, raggiungendo un Dice del 63,72% al 20% di supervisione.
• Qualità Visiva: I risultati qualitativi hanno dimostrato che SCKAN preserva efficacemente la completezza strutturale e riduce i buchi o la sovrasegmentazione comuni in altri metodi.
• Studi di Ablazione:
  • La rimozione dei componenti SPCL (SSD e PCC) ha portato a un calo del punteggio Dice, confermando la necessità di una corrispondenza strutturale guidata dall'anatomia.
  • Sostituire la fusione KAN (CKaF) con strategie standard MLP o Average Fusion ha aumentato il divario tra le prestazioni sui dati etichettati e non etichettati, validando che le KAN sono superiori nel filtrare il rumore e nell'aggregare il consenso.
  • Il coefficiente della perdita di diversità ($\lambda_{div}$) è risultato ottimale a 0,5, bilanciando l'allineamento cross-campione e la diversità intra-campione.

Significato e Affermazioni
Il documento afferma che SCKAN affronta fondamentalmente il problema del "Bias di Supervisione" nella segmentazione semi-supervisionata del pancreas. Spostandosi oltre la coerenza specifica del campione verso un consenso strutturale cross-campione, il metodo permette ai modelli di apprendere conoscenze anatomiche condivise nonostante la significativa variabilità morfologica. L'integrazione delle KAN è evidenziata come un'innovazione critica, poiché la loro non linearità adattiva B-spline fornisce una base solida per modellare relazioni complesse cross-campione e filtrare il rumore locale. Gli autori affermano che questo approccio porta a una segmentazione più generalizzabile e accurata, in particolare in scenari con scarsità estrema di annotazioni. Il codice è reso pubblicamente disponibile per facilitare ulteriori ricerche.