Label Dropout: Improved Deep Learning Echocardiography Segmentation Using Multiple Datasets With Domain Shift and Partial Labelling

Título: Label Dropout: Segmentação Aprimorada de Ecocardiografia por Deep Learning Usando Múltiplos Conjuntos de Dados com Desvio de Domínio e Rotulagem Parcial

1. Problema Identificado

A ecocardiografia é o método de imagem primário para avaliação da função cardíaca. Embora modelos de aprendizado profundo (como U-Net) tenham automatizado a segmentação, sua aplicação clínica exige robustez frente a variações reais (diferentes equipamentos, operadores, etc.). Para atingir essa robustez, é necessário treinar modelos com múltiplos conjuntos de dados diversos.

No entanto, surge um desafio crítico: a variação na presença de rótulos (partial labelling). Diferentes conjuntos de dados públicos contêm anotações diferentes (ex: um tem átrio esquerdo, outro não). Ao combinar esses dados, o conjunto de treinamento torna-se parcialmente rotulado.

• O Falha Atual: Métodos existentes, como a perda adaptativa (adaptive loss), que ignoram rótulos ausentes no cálculo da função de perda, falham quando há desvio de domínio (diferenças nas características da imagem entre os conjuntos de dados).
• O Fenômeno de "Shortcut Learning": O modelo aprende a associar características específicas de um domínio (ex: tipo de scanner ou contraste) à presença ou ausência de um rótulo. Consequentemente, o modelo falha em prever estruturas que estão ausentes no rótulo de um determinado domínio, pois aprendeu que "se a imagem parece X, o rótulo Y não existe".

2. Metodologia Proposta

Os autores propõem uma nova técnica chamada Label Dropout (Dropout de Rótulos) para quebrar a ligação entre as características do domínio e a presença de rótulos.

• Mecanismo do Label Dropout: Durante o treinamento, para cada amostra, há uma probabilidade de um rótulo parcialmente ausente (ou seja, um rótulo que falta em alguns conjuntos de dados) ser removido artificialmente da máscara de ground truth (definido como fundo/background).
• Lógica: Ao forçar o modelo a treinar com a presença de um rótulo em um domínio onde ele normalmente estaria ausente (e vice-versa), o modelo é impedido de usar características visuais do domínio como um atalho para decidir se deve prever ou não uma estrutura.
• Configuração Experimental:
  • Dados: Três conjuntos de dados públicos de ecocardiografia 2D (CAMUS, Unity Imaging, EchoNet Dynamic).
  • Modelo Base: U-Net.
  • Funções de Perda Comparadas:
    1. Perda Padrão (Cross-Entropy CCE) em dados parcialmente rotulados (causa conflito de supervisão).
    2. Perda Adaptativa (remove termos de perda para rótulos ausentes).
    3. Perda Adaptativa + Label Dropout.

3. Contribuições Principais

1. Identificação de um Novo Viés: O trabalho é o primeiro a demonstrar, através de experimentos qualitativos e quantitativos, que o uso de funções de perda para dados parcialmente rotulados em conjuntos com desvio de domínio leva ao shortcut learning, onde o modelo associa erroneamente características de domínio à existência de rótulos.
2. Técnica de Label Dropout: Proposição de um esquema simples, porém eficaz, que introduz ruído controlado na presença de rótulos durante o treinamento para forçar a generalização e quebrar a correlação espúria entre domínio e rótulo.

4. Resultados Experimentais

Os autores realizaram quatro experimentos para validar a hipótese e a solução:

• Experimento 1 (Necessidade de Diversidade): Confirmou que treinar em um único domínio resulta em baixa generalização em outros domínios.
• Experimento 2 (O Problema): Ao treinar com os três conjuntos combinados (parcialmente rotulados), o modelo com Perda Adaptativa falhou completamente em segmentar estruturas ausentes em certos domínios (ex: não previu o miocárdio ventricular esquerdo no conjunto EchoNet Dynamic), confirmando o shortcut learning.
• Experimento 3 (Controle): Ao remover rótulos artificialmente de um único conjunto de dados (sem desvio de domínio), a Perda Adaptativa funcionou bem. Isso provou que o problema do Experimento 2 era especificamente a interação entre a perda adaptativa e o desvio de domínio.
• Experimento 4 (Solução - Label Dropout):
  • A aplicação de Label Dropout restaurou a capacidade do modelo de prever estruturas em domínios onde elas eram originalmente ausentes.
  • Desempenho Quantitativo: Ao treinar com os três conjuntos de dados e aplicar Label Dropout (com probabilidade de 50%), houve um aumento significativo nos escores Dice no conjunto de teste do EchoNet Dynamic:
    • Miocárdio Ventricular Esquerdo (LVM): Aumento de 62% (de 0.319 para 0.518).
    • Átrio Esquerdo (LA): Aumento de 25% (de 0.553 para 0.689).
  • O teste estatístico (Wilcoxon) confirmou a significância desses resultados (p < 0.05).

5. Significado e Conclusão

O artigo demonstra que, para criar modelos de segmentação cardíaca robustos e clinicamente viáveis que utilizem grandes volumes de dados heterogêneos, não basta apenas adaptar a função de perda para lidar com dados faltantes. É crucial mitigar o viés de aprendizado de atalhos (shortcut learning) causado por desvios de domínio.

A técnica de Label Dropout oferece uma solução prática e eficaz para permitir o treinamento de modelos generalizáveis a partir de múltiplos conjuntos de dados parcialmente rotulados, superando as limitações das abordagens atuais de adaptive loss na presença de heterogeneidade de dados. Isso abre caminho para a criação de ferramentas de IA mais robustas para diagnóstico cardíaco em cenários do mundo real.