Probabilistic Modeling of Multi-rater Medical Image Segmentation for Diversity and Personalization

Resumo Técnico: Desemaranhando Preferência e Ambiguidade para Segmentação Controlável de Lesões Médicas

Declaração do Problema
A segmentação de lesões médicas é inerentemente desafiada pela incerteza na imagem, decorrente de limites mal definidos, artefatos e formas irregulares dos alvos médicos. Uma manifestação crítica dessa incerteza é a variabilidade interobservador, onde diferentes especialistas fornecem anotações divergentes para a mesma imagem. As abordagens existentes para segmentação de imagens médicas com múltiplos avaliadores geralmente se enquadram em duas categorias limitadas:

1. Métodos de geração: Produzem resultados de segmentação diversos, mas falham em capturar a personalização específica do especialista, frequentemente gerando variações que não se assemelham ao comportamento realista de especialistas.
2. Métodos de personalização: Replicam as saídas de anotadores individuais, mas carecem da capacidade de gerar segmentação diversa, efetivamente codificando rigidamente as preferências dos especialistas e ignorando a ambiguidade inerente da imagem.
3. Métodos de crowdsourcing: Agregam múltiplas anotações em uma única meta-segmentação, assumindo uma única verdade fundamental e falhando em modelar a distribuição da variabilidade dos especialistas.

O artigo identifica uma lacuna na literatura: não há uma abordagem eficaz capaz de gerar simultaneamente resultados de segmentação que sejam diversos (capturando o espectro de discordância entre especialistas) e personalizados (alinhados com anotações de especialistas específicos) dentro de um quadro unificado.

Metodologia: ProSeg
Os autores propõem o ProSeg (Modelagem probabilística de segmentação com múltiplos avaliadores), um modelo gráfico probabilístico (PGM) projetado para unificar diversidade e personalização. A inovação central reside na introdução de duas variáveis latentes contínuas para desemaranhar as fontes de incerteza:

• $\tau$ (Tau): Modela as variações subjetivas entre anotadores especialistas (variabilidade interobservador). É inferida a partir do anotador especialista específico $R$.
• $Z$: Modela a ambiguidade nas imagens médicas (incerteza intraimagem). É inferida a partir dos dados de imagem observados $X$.

Formulação Probabilística
O ProSeg modela a distribuição conjunta $p(Y, x, R)$ de anotações ($Y$), imagens ($x$) e especialistas ($R$). O modelo assume que as anotações são geradas condicionalmente com base nas variáveis latentes $\tau$ e $Z$.

• Processo Generativo: O modelo define distribuições condicionais $p(y_{ri} | \tau_i, z_i)$, $p(x | z_i)$ e $p(r_i | \tau_i)$.
• Inferência Variacional: Como as distribuições posteriores das variáveis latentes são intratáveis, o modelo emprega inferência variacional para aproximá-las usando $q(z_i | x)$ e $q(\tau | R)$.
• Objetivo de Treinamento: O modelo é treinado maximizando o Limite Inferior da Evidência (ELBO), que minimiza o log-verossimilhança negativo dos dados observados (reconstrução de imagens, classificação de especialistas e precisão de segmentação) enquanto regulariza as distribuições posteriores de $\tau$ e $Z$ para corresponder às suas priores (Dirichlet para $\tau$ e Gaussiana para $Z$).

Arquitetura do Modelo
A arquitetura consiste em cinco módulos de rede neural:

1. Codificador de Imagem: Inferir a variável latente de ambiguidade $z$ a partir da imagem $x$.
2. Decodificador de Imagem: Reconstruir a imagem a partir de $z$.
3. Embedding de Classe: Inferir a variável latente de preferência do especialista $\tau$ a partir do anotador especialista $R$.
4. Classificador: Prever o anotador especialista a partir de $\tau$.
5. Preditor de Segmentação: Gerar a segmentação $y_{ri}$ condicionada tanto a $\tau_i$ quanto a $z_i$.

Mecanismos de Controle

• Personalização: Ao especificar um especialista particular $r$, o modelo amostra $\tau$ a partir de $q(\tau | r)$, gerando segmentação alinhada ao estilo desse especialista específico, mantendo a diversidade via amostragem de $z$.
• Diversidade: Ao amostrar $\tau$ a partir da distribuição priori $p(\tau)$ (Dirichlet) em vez da posterior de um especialista específico, o modelo gera resultados de segmentação diversos que representam o espectro completo da variabilidade dos especialistas.

Resultados Experimentais
Os autores avaliaram o ProSeg em dois conjuntos de dados de referência:

1. LIDC-IDRI: Um conjunto de dados de nódulos pulmonares com quatro anotações de especialistas por imagem.
2. NPC: Um conjunto de dados de carcinoma nasofaríngeo com quatro radiologistas reais, exibindo maior variabilidade nas preferências.

Métricas Principais:

• Diversidade: Medida pela Distância de Energia Generalizada (GED) e Dice Suave ($D_{soft}$).
• Personalização: Medida pelo Dice de Correspondência ($D_{match}$), Dice Máximo ($D_{max}$) e pontuações médias de Dice contra especialistas específicos ($D_{mean}$).

Descobertas:

• O ProSeg alcançou desempenho Estado da Arte (SOTA) em ambos os conjuntos de dados.
• No LIDC-IDRI, o ProSeg alcançou o menor GED (0,1152) e o maior $D_{soft}$ (91,53%), superando métodos de geração (por exemplo, Probabilistic U-Net) e métodos de personalização (por exemplo, TAB, Pionono).
• No conjunto de dados NPC, mais desafiador, o ProSeg melhorou o desempenho de diversidade em 20,71% em relação aos métodos anteriores de personalização SOTA em termos de GED, mantendo alta precisão de personalização ($D_{mean} = 82,07\%$).
• Estudos de ablação confirmaram que ambas as variáveis latentes são cruciais; a remoção de $\tau$ ou $Z$ resultou em degradação significativa do desempenho.
• Análise visual demonstrou que o ProSeg gera segmentações que são simultaneamente diversas e estritamente alinhadas com a distribuição "Padrão Ouro" das anotações de especialistas, enquanto outros métodos carecem de diversidade ou falham em corresponder a preferências específicas de especialistas.

Significado e Alegações
O artigo afirma que o ProSeg é o primeiro quadro de modelagem probabilística a unificar a modelagem de diversidade e personalização para segmentação de lesões com múltiplos avaliadores. Ao aprender conjuntamente esses aspectos dentro de um único quadro probabilístico, o ProSeg aborda as limitações dos métodos existentes que tratam diversidade e personalização como mutuamente exclusivos ou exigem treinamento em múltiplos estágios. Os autores afirmam que o ProSeg fornece um quadro generalizável que pode ser estendido a outras tarefas de segmentação de imagens médicas com múltiplos avaliadores, oferecendo uma solução robusta para lidar com a incerteza e variabilidade inerentes ao diagnóstico clínico. O trabalho destaca que capturar tanto a ambiguidade da imagem quanto a subjetividade do anotador é essencial para gerar saídas de segmentação confiáveis e clinicamente relevantes.