Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift

Título: Adaptação Não Supervisionada de FDG para PSMA PET/CT para Detecção de Lesões 3D sob Deslocamento de Rótulo (Label Shift)

Autores: Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang (Yale University).

1. O Problema

A detecção automatizada de lesões em imagens PET/CT é crucial para o diagnóstico e planejamento de tratamento oncológico. Embora modelos de aprendizado profundo tenham mostrado sucesso, eles enfrentam desafios significativos ao serem aplicados a novos traçadores (como mudar de FDG para PSMA).

• Desafio Principal: A adaptação de domínio não supervisionada (UDA) tradicional geralmente assume apenas uma mudança de covariância (diferenças na aparência da imagem), mantendo a distribuição de rótulos (tamanho e número de lesões) constante.
• Realidade do Caso: Entre traçadores FDG e PSMA, existe um deslocamento de rótulo (label shift) significativo. Lesões PSMA tendem a ser mais numerosas e menores por paciente, enquanto o FDG apresenta mais lesões muito grandes. Modelos treinados apenas em FDG falham ao generalizar para PSMA porque não conseguem detectar adequadamente essas lesões menores e mais frequentes, levando a uma subdetecção ou detecção incorreta.

2. Metodologia Proposta

Os autores propõem um framework de Adaptação de Domínio Não Supervisionada (UDA) baseado em self-training (auto-treinamento) que explicitamente modela e compensa o deslocamento de rótulo. O sistema utiliza o detector M3DRetinaNet (uma rede de detecção de objetos 3D de estágio único) como base.

O método consiste em duas mecanismos principais integrados ao processo de auto-treinamento:

A. Adaptação de Tamanho de Âncora (Anchor Size Adaptation)

• Problema: As "âncoras" (caixas propostas) padrão, treinadas em FDG, podem ser muito grandes para as lesões menores típicas do PSMA, resultando em erros de regressão.
• Solução: O modelo recalcula adaptativamente as formas das âncoras.
  • A cada época de treinamento, selecionam-se "pseudo-rótulos" (detecções de alta confiança) do domínio alvo (PSMA).
  • Aplica-se o algoritmo k-means nessas caixas selecionadas para estimar novos tamanhos de centroides.
  • Atualiza-se o conjunto de âncoras usando uma Média Móvel Exponencial (EMA) para garantir estabilidade. Isso aumenta a cobertura de âncoras positivas para lesões pequenas do PSMA.

B. Seleção de Pseudo-rótulos Guiada por Priori (Prior-guided Pseudo-label Selection)

• Problema: Métodos convencionais usam um limiar de confiança fixo ou selecionam o "top-k" detecções. Isso tende a favorecer lesões grandes e de alto contraste, reforçando o viés do domínio de origem (FDG).
• Solução: O método aloca cotas (quotas) de seleção baseadas em histogramas de tamanho e prevalência estimada do domínio alvo.
  • Orçamento por Paciente: Estima-se o número médio de lesões por sujeito no alvo ($\mu$) via EMA. Define-se um limite máximo de pseudo-rótulos por paciente para evitar que falsos positivos dominem.
  • Cotas por Bin de Tamanho: O volume das lesões é discretizado em bins. O modelo estima a distribuição de tamanho (histograma $h$) no domínio alvo.
  • Seleção: Para cada paciente, o orçamento total de detecções é distribuído entre os bins de tamanho de acordo com o histograma estimado. Dentro de cada bin, selecionam-se as detecções com maior confiança.
  • Isso força o modelo a aprender a distribuição real de tamanhos e contagem de lesões do PSMA, em vez de copiar a do FDG.

C. Otimização Alternada

O treinamento alterna entre:

1. Aprendizado supervisionado no domínio fonte (FDG rotulado).
2. Inferência no domínio alvo (PSMA não rotulado) para atualizar as priores ($\mu$, $h$) e âncoras, gerando novos pseudo-rótulos.
3. Aprendizado supervisionado usando os pseudo-rótulos atualizados do alvo.

3. Principais Contribuições

1. Primeira Tentativa de UDA 3D: É, segundo os autores, a primeira aplicação de adaptação de domínio não supervisionada para detecção de lesões volumétricas 3D em PET/CT.
2. Modelagem de Label Shift: Introduz um esquema de self-training inovador que lida explicitamente com o deslocamento de distribuição de rótulos (tamanho e contagem), algo não explorado anteriormente em detecção UDA.
3. Estimativa Adaptativa: Desenvolveu um método para estimar adaptativamente a distribuição de tamanho e prevalência de lesões no domínio alvo para refinar a seleção de pseudo-rótulos e a configuração de âncoras, sem necessidade de dados rotulados no alvo.

4. Resultados Experimentais

O método foi avaliado no desafio AutoPET 2024, utilizando:

• Fonte: 501 estudos FDG rotulados.
• Alvo: 369 estudos 18F-PSMA (258 para treino UDA, 37 validação, 74 teste).

Desempenho (Métricas AP - Average Precision):

• Baseline (FDG apenas): AP@0.1 = 0.225.
• Auto-treinamento UDA (sem correção de label shift): AP@0.1 = 0.582.
• Método Proposto (com adaptação de âncora e correção de label shift): AP@0.1 = 0.613.
• Upper Bound (PSMA totalmente rotulado): AP@0.1 = 0.729.

Análise FROC (Free-Response ROC):

• O método proposto demonstrou uma sensibilidade significativamente maior para qualquer taxa de falsos positivos em comparação com o modelo fonte e o auto-treinamento convencional.
• A correção do label shift permitiu a detecção mais precisa de lesões menores e mais numerosas, que eram ignoradas pelos métodos anteriores.

5. Significado e Conclusão

O trabalho demonstra que modelar a prevalência e a composição de tamanho das lesões no domínio alvo é um caminho eficaz para a detecção robusta entre traçadores diferentes.

• Eficiência: A abordagem é leve, evitando o treinamento adversarial complexo e lento típico de dados 3D volumétricos.
• Impacto Clínico: Permite aproveitar grandes conjuntos de dados rotulados de FDG (comuns) para melhorar a detecção em traçadores emergentes como o PSMA (onde dados rotulados são escassos e caros), facilitando a transição para novas tecnologias de imagem médica.
• Limitações Futuras: O método depende de uma discretização adequada (binning) e atualmente lida apenas com uma classe de lesão. Trabalhos futuros visam incluir seleção ponderada por incerteza e extensão para multi-classe.