Riassunto Tecnico: Locus – Regolarizzazione dell'Attenzione Guidata dall'Anatomia per la Classificazione di Immagini Mediche

1. Definizione del Problema

I modelli di classificazione di immagini mediche vengono tipicamente addestrati utilizzando solo etichette a livello di immagine, mancando di una supervisione spaziale esplicita. Di conseguenza, questi modelli tendono a fare affidamento su correlazioni statistiche con regioni anatomicamente irrilevanti, come artefatti di imaging, tessuti circostanti o indizi contestuali specifici del dataset, piuttosto che sulle strutture anatomiche diagnosticamente rilevanti. Questo comportamento limita l'interpretabilità e la generalizzabilità del modello.

Sebre approcci precedenti abbiano tentato di affrontare questo problema incorporando informazioni sulla forma anatomica (ad esempio, maschere di segmentazione), essi presentano limitazioni significative:

• Annotazione Manuale: Fare affidamento su maschere delineate da esperti è costoso e difficile da scalare.
• Addestramento Congiunto: L'addestramento di un ramo di segmentazione insieme a un classificatore introduce sfide di ottimizzazione, come gradienti contrastanti e predizioni rumorose che possono corrompere la guida.
• Pseudo-maschere basate su CAM: Sebbene evitino i costi di annotazione, questi metodi spesso attivano solo le regioni discriminanti correlate all'etichetta piuttosto che l'intera struttura anatomica rilevante.
• Modelli di Segmentazione Dedicati: L'addestramento di un nuovo modello di segmentazione da zero reintroduce l'onere dell'annotazione e l'overhead computazionale.

2. Metodologia: Il Framework Locus

Gli autori propongono Locus, un framework che sfrutta i Modelli Fondativi di Segmentazione (SFM) pre-addestrati (ad esempio, Medical SAM, BiomedParse) per guidare l'attenzione del classificatore senza richiedere un addestramento di segmentazione dedicato o annotazioni manuali.

2.1 Regolarizzazione dell'Attenzione Centrata sull'Anatomia

Invece di imporre un rigido allineamento pixel per pixel tra la mappa di attenzione del classificatore e la maschera anatomica (il che può essere eccessivamente restrittivo), Locus introduce un termine di regolarizzazione basato su hinge ($R$).

• Meccanismo: Il framework calcola la media ponderata dell'energia di attenzione all'interno del primo piano anatomico ($A_{fg}$) e dello sfondo ($A_{bg}$) derivati dalla maschera dell'SFM.
• Funzione di Perdita: Il regolarizzatore è definito come $R(M, A) = \max(0, A_{bg} - A_{fg})$.
• Logica: Questo termine penalizza il classificatore solo quando l'attenzione sullo sfondo domina l'attenzione sul primo piano. Se l'attenzione sul primo piano è già sufficiente ($A_{fg} \geq A_{bg}$), il regolarizzatore rimane inattivo. Questo approccio evita di sopprimere eccessivamente potenziali informazioni contestuali diagnostiche rilevanti, garantendo al contempo che il modello non si basi principalmente sul rumore di fondo.

2.2 Prompting Anatomico per Patch

Il prompting standard degli SFM su immagini complete spesso fallisce nel catturare tutte le strutture anatomiche rilevanti, in particolare quando sono piccole o disgiunte (ad esempio, lesioni sparse o organi bilaterali), restituendo spesso solo la regione più dominante.

• Strategia: Locus partiziona l'immagine di input in una griglia di patch non sovrapponibili. Ogni patch viene sollecitata indipendentemente con lo stesso descrittore testuale derivato dalla classe (ad esempio, "polmone", "tumore").
• Aggregazione: Le maschere risultanti a livello di patch vengono aggregate tramite unione per formare una maschera anatomica a risoluzione completa ($M$).
• Obiettivo: Questa strategia massimizza la copertura anatomica per garantire che tutte le regioni rilevanti contribuiscano alla supervisione dell'attenzione, anche se la maschera risultante è grossolana. Gli autori sottolineano che non è richiesta una segmentazione precisa a livello di pixel; l'obiettivo è una sufficiente base anatomica per guidare l'attenzione.

2.3 Perdita della Rete

La perdita totale della rete combina la perdita del compito standard (cross-entropy) con il regolarizzatore centrato sull'anatomia:
$$L_{net} = L_{task} + \lambda \cdot R(M, A)$$

• Strategia di Addestramento: Viene impiegata una strategia di warm-up in cui la rete viene addestrata solo con $L_{task}$ per alcuni epoch prima che la forza della regolarizzazione ($\lambda$) venga aumentata gradualmente.
• Flessibilità: Il framework è agnostico rispetto al metodo specifico di estrazione dell'attenzione (ad esempio, Grad-CAM, Grad-CAM++, Vanilla CAM) e alla scelta dell'SFM.

3. Contributi Chiave

1. Nuovo Framework di Regolarizzazione: Propone un regolarizzatore dell'attenzione centrato sull'anatomia che bilancia adattivamente l'attenzione tra primo piano e sfondo, penalizzando il classificatore solo quando l'attenzione sullo sfondo domina, eliminando così la necessità di un addestramento di segmentazione dedicato.
2. Adattabilità Plug-and-Play: Il framework è facilmente adattabile a vari backbone di classificazione (CNN e Transformer) e SFM senza modificare l'architettura del classificatore o il fine-tuning del modello fondativo.
3. Validazione Completa: Validato su otto diversi dataset di imaging medico (dermoscopia, raggi X, istopatologia, ultrasuoni e risonanza magnetica cardiaca), dimostrando guadagni di prestazioni costanti e una migliore interpretabilità.

4. Risultati Sperimentali

Gli autori hanno valutato Locus rispetto a tre baseline: Cross-Entropy (CE) standard, Input Mascherato (utilizzando le maschere SFM per scartare lo sfondo) e MGA (allineamento dell'attenzione basato su Dice che richiede annotazioni di esperti).

• Prestazioni di Classificazione: Locus ha ottenuto l'accuratezza e i punteggi F1 più elevati in quasi tutti gli scenari attraverso sei dataset di benchmark (HAM10000, PneumoniaMNIST, BTXRD, PanNuke, ChestX-ray8) e un dataset di risonanza magnetica cine cardiaca. Ha superato costantemente l'addestramento non vincolato e le baseline di input mascherato.
• Qualità dell'Attenzione: Le visualizzazioni (Grad-CAM) hanno mostrato che Locus produce mappe di attenzione più focalizzate e anatomicamente coerenti. In particolare, per le architetture soggette a dominanza dello sfondo (ad esempio, ConvNeXt, ViT), Locus ha affinato significativamente l'attenzione sulle strutture rilevanti (ad esempio, campi polmonari, lesioni) rispetto all'addestramento standard CE.
• Robustezza: Sotto perturbazioni al tempo di test (luminosità, contrasto, sfocatura gaussiana, rumore), i modelli addestrati con Locus hanno mantenuto un'accuratezza superiore rispetto alle baseline CE-only, suggerendo che la regolarizzazione scoraggia la dipendenza da caratteristiche spurie sensibili alle distorsioni.
• Generalizzabilità: I benefici del regolarizzatore sono stati coerenti attraverso diversi metodi di estrazione dell'attenzione (Grad-CAM, Grad-CAM++, Vanilla CAM, Gradient Norm) e diversi backbone di rete (ResNet, ConvNeXt, ViT).

5. Significato e Rivendicazioni

Il paper afferma che Locus offre una soluzione pratica alla natura "black box" dei classificatori di immagini mediche, indirizzandoli verso strutture anatomiche diagnosticamente rilevanti senza il costo proibitivo dell'annotazione manuale o la complessità dell'addestramento congiunto di segmentazione-classificazione.

Sfruttando le capacità di localizzazione "out-of-the-box" dei modelli fondativi e impiegando un regolarizzatore flessibile basato su hinge, il framework ottiene:

• Migliore Interpretabilità: I modelli si concentrano sulle corrette regioni anatomiche (ad esempio, il miocardio nella risonanza magnetica cardiaca) piuttosto che su artefatti o sfondo.
• Maggiore Generalizzabilità: Migliori prestazioni attraverso diverse modalità e robustezza contro le perturbazioni delle immagini.
• Efficienza: Evita l'overhead computazionale di addestrare un modello di segmentazione dedicato pur fornendo una guida anatomica affidabile.

Gli autori concludono che questo approccio rappresenta un passo significativo verso la creazione di un'IA medica più affidabile e clinicamente interpretabile, particolarmente in scenari in cui le annotazioni a livello di pixel non sono disponibili. Il lavoro futuro suggerisce di esplorare la ponderazione consapevole dell'incertezza e l'apprendimento end-to-end delle configurazioni delle patch.