Resumo Técnico: Multi-AD para Detecção de Anomalias Não Supervisionada Cross-Domain

Definição do Problema

A detecção de anomalias (AD) é crítica para o diagnóstico precoce de doenças na medicina e para a detecção de defeitos na manufatura industrial. No entanto, um principal gargalo é a escassez de dados de anomalias rotulados. Casos anômalos são inerentemente raros, e adquirir dados rotulados — particularmente em imagens médicas — é trabalhoso, caro e sujeito à variabilidade interobservador. Embora o aprendizado autossupervisionado (SSL) tenha emergido como uma solução ao treinar em dados "normais" não rotulados, seu desempenho frequentemente degrada em cenários com dados de treinamento limitados ou alta variabilidade intra-classe (por exemplo, estruturas anatômicas diversas ou ambientes industriais complexos). Além disso, as abordagens existentes de Destilação de Conhecimento (KD) são frequentemente limitadas a aplicações de domínio único e carecem de robustez na transferência cross-modality ou cross-domain.

Metodologia: Estrutura Multi-AD

Os autores propõem o Multi-AD, uma estrutura de rede neural convolucional (CNN) projetada para uma detecção de anomalias não supervisionada e robusta em ambos os domínios médico e industrial. O método integra o aprendizado de características agnósticas de domínio com a adaptação específica de domínio usando uma arquitetura Professor-Aluno (T-S) aprimorada por três componentes principais:

1. Backbone Aprimorado com Squeeze-and-Excitation (SE)

O backbone é uma arquitetura WideResNet-50 modificada que incorpora:

• Convoluções Dilatadas: Aplicadas em quatro estágios residuais com taxas de dilatação progressivamente crescentes ($r=1, 2, 4, 8$) para expandir o campo receptivo enquanto preserva a resolução espacial. Isso permite que o modelo capture tanto detalhes locais (ex: microfissuras) quanto o contexto global (ex: distorções estruturais).
• Blocos Squeeze-and-Excitation (SE): Integrados em cada estágio residual para realizar a recalibração de características por canal. Este mecanismo calcula estatísticas por canal via pooling de média global e utiliza camadas totalmente conectadas para gerar fatores de escala, permitendo que a rede enfatize características informativas e suprima outras irrelevantes.
• Fusão de Características Multi-escala: Uma camada convolucional funde características de camadas inferiores e superiores para combinar detalhes de grão fino com informações semânticas de alto nível.

2. Destilação de Conhecimento (KD) com Alinhamento de Características

A estrutura emprega uma arquitetura T-S onde um modelo Professor (T) pré-treinado (congelado) transfere conhecimento para um modelo Aluno (S) treinável.

• Regime de Treinamento: O modelo é treinado exclusivamente em dados normais (livres de anomalias).
• Alinhamento de Características: O modelo S é treinado para mimetizar as representações de características do modelo T. As características de camadas críticas de ambos os modelos são L2-normalizadas.
• Função de Perda: Uma perda de gerador de características ($\mathcal{L}_G$) minimiza a distância euclidiana (via similaridade de cosseno) entre os vetores de ativação normalizados dos modelos T e S através de múltiplas camadas. Isso garante que o modelo S aprenda a distribuição intrínseca dos dados normais.

3. Rede Discriminadora (D) e Treinamento Adversário

Para refinar ainda mais a distinção entre dados normais e anômalos, uma rede Discriminadora (D) é introduzida:

• Arquitetura: Uma rede convolucional que processa mapas de características para produzir uma pontuação de probabilidade indicando se a entrada é "real" (características do modelo T) ou "falsa" (características do modelo S).
• Objetivo Adversário: A rede D é otimizada para distinguir as características de T das de S usando perda de Entropia Cruzada Binária (BCE). Inversamente, o modelo S é treinado com um termo adversário ($\mathcal{L}_{adv}$) para enganar a rede D, forçando o modelo S a produzir mapas de características indistinguíveis da distribuição normal do modelo T.
• Perda Total: A perda total do modelo S combina os termos de alinhamento de características e adversários: $\mathcal{L}_S = \mathcal{L}_G + \lambda \mathcal{L}_{adv}$.

4. Fusão de Características Multi-escala Aprimorada por Convolução (MFF)

Durante a inferência, mapas de anomalias são gerados computando a dissimilaridade de cosseno pixel a pixel entre as características de T e S através de múltiplas camadas ($M_1$ a $M_4$).

• Refinamento: Diferente da simples soma, o MFF proposto aplica uma convolução 1×1, Batch Normalization e ReLU a cada mapa de anomalia de escala antes da fusão. Este passo refina os mapas de características para lidar com variações de escala e desalinhamento espacial.
• Agregação: Os mapas refinados são combinados via interpolação bilinear e suavizados com um filtro Gaussiano para produzir o mapa de anomalia final. A pontuação de anomalia ao nível da imagem é derivada da resposta máxima deste mapa.

Principais Contribuições

O artigo delineia quatro contribuições primárias:

1. Estrutura Cross-Domain: Uma estrutura de AD unificada que desvincula o aprendizado de características agnósticas de domínio (compartilhadas) e específicas de domínio (adaptativas), demonstrando generalização através de conjuntos de dados médicos (MRI, CT, OCT) e industriais.
2. MFF Aprimorado por Convolução: Um módulo inovador que melhora a localização de anomalias pequenas e grandes ao refinar características multi-escala antes da fusão.
3. Discriminador Adaptativo: A integração de redes D com mecanismos de atenção adaptativa para permitir a localização precisa de anomalias através de diversos modos de imagem.
4. Localização Precisa: O fornecimento de mapas de anomalias precisos para localizar doenças e defeitos de produtos, validados através de experimentos extensivos.

Resultados Experimentais

O Multi-AD foi avaliado em três conjuntos de dados médicos (BraTS2021 para MRI cerebral, RESC para OCT de retina e BTCV/LiTs para CT de fígado) e no benchmark industrial MVTec AD.

• Desempenho Médico: O Multi-AD alcançou uma média de AUROC de nível de Imagem de 81,4% e AUROC de nível de Pixel de 97,0%, superando modelos de estado da arte incluindo PaDim, PatchCore, SimpleNet, STFPM, RD4AD e MKD.
• Desempenho Industrial: No MVTec AD, o modelo alcançou uma média de AUROC de nível de Imagem de 99,6% e AUROC de nível de Pixel de 98,4%, superando consistentemente métodos baseados em agrupamento (clustering) e reconstrução.
• Estudos de Ablação:
  • A remoção do Bloco SE reduziu o AUROC de nível de pixel, confirmando seu papel em focar em características informativas.
  • A remoção do Discriminador (D) degradou significativamente o desempenho (ex: o AUROC de pixel médico caiu de 97,0% para 93,2%), destacando a importância do refinamento adversário.
  • A remoção do MFF levou a uma diminuição notável na precisão de localização, validando a necessidade do refinamento convolucional para a fusão multi-escala.

Significância e Alegações

Os autores alegam que o Multi-AD oferece uma solução robusta para aplicações do mundo real onde dados de anomalias rotulados são escassos. Ao alavancar KD e treinamento adversário, o modelo aprende efetivamente a distribuição de dados normais e detecta desvios sutis sem exigir rótulos de anomalias durante o treinamento.

O artigo enfatiza que a capacidade do Multi-AD de gerar mapas de calor de anomalias nítidos e focados com mínimos falsos positivos o torna superior aos métodos baseados em agrupamento (que frequentemente produzem mapas amplos e sem foco) e métodos baseados em reconstrução (que lutam com texturas complexas). A capacidade de generalização cross-domain demonstrada pelo framework sugere que ele pode ser implantado em diversos ambientes médicos e industriais sem necessidade de retreinamento extensivo, abordando uma necessidade crítica de sistemas de detecção de anomalias escaláveis e confiáveis. No entanto, os autores notam modestamente que a integração do MFF e das redes adversárias aumenta a complexidade computacional, o que pode representar desafios para implementação em tempo real em ambientes com recursos limitados.