Performance of Frangi-Hessian Pseudo-Labels for Retinal Vessel Segmentation in AI-Assisted Retinopathy of Prematurity Screening

Sintesi Tecnica: Prestazioni delle Pseudo-Etichette Frangi–Hessian per la Segmentazione dei Vasi Retinici nello Screening della Retinopatia del Prematuro assistito dall'IA

Definizione del Problema
La Retinopatia del Prematuro (ROP) è una delle principali cause di cecità evitabile, in particolare nei contesti con scarse risorse dove le capacità di screening sono limitate. La diagnosi accurata dipende fortemente dalla valutazione della dilatazione vascolare e della tortuosità ("Plus disease"), il che richiede una segmentazione precisa dei vasi retinici. Tuttavia, lo sviluppo di strumenti di screening guidati dall'IA è ostacolato dal "collo di bottiglia dell'etichettatura": l'annotazione manuale delle maschere dei vasi retinici è laboriosa, soggetta a variabilità inter-osservatore e difficile da scalare per grandi dataset. Mentre i modelli di deep learning supervisionato offrono prestazioni elevate con dati etichettati abbondanti, la scarsità di immagini vascolari neonatali annotate da esperti richiede strategie alternative più efficienti in termini di etichettatura.

Metodologia
Lo studio propone un framework di apprendimento ibrido che integra l'elaborazione classica delle immagini con il moderno deep learning per affrontare la scarsità di annotazioni di verità fondamentale (Ground Truth - GT). La metodologia si compone di tre componenti primarie:

1. Pipeline di Auto-Annotazione Automatica:
   Una pipeline in nove fasi genera pseudo-maschere dei vasi per immagini non etichettate utilizzando un approccio duale Frangi–Hessian. Il processo include:

   • Pre-elaborazione: Estrazione del canale verde (massimo contrasto vascolare), ridimensionamento a 512×512, denoising preservante i bordi (filtro bilaterale) e potenziamento del contrasto locale (CLAHE).
   • Normalizzazione e Nitidezza: Sottrazione dello sfondo tramite rolling-ball per correggere l'illuminazione e unsharp masking per accentuare le creste vascolari.
   • Potenziamento della "Vesselness": Applicazione di filtri di Frangi e Hessian basati sugli autovalori della matrice Hessiana per quantificare la probabilità di strutture tubolari.
   • Raffinamento: Soglia adattiva, operazioni morfologiche per rimuovere gli artefatti e scheletrizzazione per generare maschere binarie che rappresentano sia i lumi vascolari che le linee centrali.

2. Architetture del Modello:
   Sono state valutate cinque distinte architetture di segmentazione: BioSwinFuseNet (una fusione personalizzata SwinV2-ConvNeXt), UNet, Feature Pyramid Network (FPN), LinkNet e SegFormer (un encoder basato su transformer).

3. Regimi di Addestramento:
   Ogni architettura è stata addestrata sotto tre diverse condizioni di supervisione:

   • Solo GT (GT-only): Addestrato esclusivamente su maschere etichettate da esperti.
   • Solo Self (Self-only): Addestrato esclusivamente sulle pseudo-maschere generate.
   • Ibrido (Hybrid): Addestrato su una combinazione di GT e pseudo-maschere utilizzando una funzione di perdita pesata ($L = 0.7L_{GT} + 0.3L_{Self}$).
     Tutti i modelli hanno utilizzato una perdita consapevole della topologia che combina la cross-entropy binaria, la perdita Dice e penalità di continuità.

Risultati Chiave

• Caratteristiche delle Pseudo-Etichette: Le maschere auto-generate hanno mostrato differenze sistematiche rispetto alla GT degli esperti. Esse presentavano una frazione vascolare inferiore (0.021 vs 0.082) e diametri medi dei vasi significativamente più sottili (2.01 px vs 7.47 px), indicando che catturavano il nucleo del vaso piuttosto che i confini completi. Tuttavia, preservavano le caratteristiche topologiche globali, con densità di ramificazione e dimensione frattale comparabili alla GT.
• Prestazioni dei Regimi di Addestramento:
  • Modelli Solo Self (Self-only): Hanno ottenuto prestazioni scarse (Dice ≈ 0.005), confermando che le pseudo-maschere da sole mancano della precisione necessaria per l'impiego clinico.
  • Modelli Ibridi (Hybrid): Hanno costantemente superato sia gli approcci GT-only che quelli Self-only in tutte le architetture.
  • Top Performer: Il modello SegFormer-Hybrid ha raggiunto la sensibilità complessiva più elevata (0.70) e l'AUC più alta (0.94). Il modello BioSwinFuseNet-Hybrid ha dimostrato il miglioramento relativo più significativo, mostrando un aumento del 122% del punteggio Dice rispetto al suo corrispettivo GT-only.
  • Stabilità: FPN-Hybrid ha mostrato la varianza più bassa, mentre UNet-Hybrid ha mantenuto una forte generalizzazione con un'alta specificità (0.97).

Significatività e Rivendicazioni
Il documento sostiene che il paradigma ibrido offre una soluzione scalabile per lo sviluppo di strumenti di screening della ROP automatizzati in ambienti dove l'etichettatura da parte di esperti è limitata. Integrando i priori topologici derivati dai filtri classici Frangi–Hessian con il potere rappresentativo delle reti neurali profonde, lo studio dimostra che le maschere auto-annotate possono potenziare significativamente l'apprendimento supervisionato.

Gli autori concludono che, sebbene le pseudo-etichette siano imperfette (sottosegmentando i piccoli vasi e smussando la curvatura), esse forniscono informazioni strutturali sufficienti per avviare l'apprendimento (bootstrap). Questo approccio consente ai modelli di apprendere pattern vascolari generalizzati senza dipendere esclusivamente da annotazioni di esperti, scarse e costose. Lo studio posiziona questo framework ibrido come una via pratica per scalare lo screening della ROP assistito dall'IA, particolarmente nei contesti clinici a basse risorse, senza inventare nuove applicazioni oltre l'ambito della segmentazione vascolare e del rilevamento della "Plus disease".