LUMINA: A Multi-Vendor Mammography Benchmark with Energy Harmonization Protocol

1. O Problema

Os conjuntos de dados públicos de mamografia digital de campo total (FFDM) existentes enfrentam limitações críticas que impedem o treinamento de modelos de inteligência artificial (IA) robustos e generalizáveis:

• Falta de Diversidade: A maioria dos datasets é de um único fornecedor (vendor) ou baseada em filmes, não refletindo a variedade de equipamentos usados na prática clínica real.
• Deslocamento de Domínio (Domain Shift): Existem variações significativas na aparência das imagens devido a diferentes fabricantes de equipamentos e, crucialmente, a diferentes configurações de energia de raios-X (baixa vs. alta energia). Isso causa um "deslocamento" nas distribuições de intensidade, prejudicando a performance de modelos treinados em um tipo de imagem quando aplicados a outro.
• Falta de Anotações Completas: Muitos datasets carecem de confirmação patológica, avaliações BI-RADS (sistema de classificação de risco) e anotações de densidade mamária integradas.

2. Metodologia

A. O Dataset LUMINA

Os autores introduzem o LUMINA, um dataset curado e multi-fornecedor que preenche essas lacunas:

• Escala e Composição: 1.824 imagens de 468 pacientes (960 benignas, 864 malignas), com resultados confirmados por patologia.
• Diversidade: Inclui imagens de 6 sistemas diferentes (IMS, Metaltronica, FUJIFILM, Siemens, Carestream, GE) e abrange tanto estilos de baixa quanto de alta energia.
• Anotações: Contém avaliações BI-RADS (categorias 0-6) e classificações de densidade mamária (A-D) fornecidas por especialistas.
• Resolução: Imagens FFDM em alta resolução (12-14 bits), preservando detalhes diagnósticos finos.

B. Protocolo de Harmonização de Energia (Foreground-Only)

Para mitigar o deslocamento de aparência entre fornecedores e energias sem distorcer a morfologia das lesões, os autores propõem um método de alinhamento de histograma apenas no primeiro plano (foreground-only):

• Conceito: A mamografia possui grandes regiões de fundo preto (intensidade 0). O alinhamento de histograma padrão, que inclui o fundo, distorce o contraste das lesões.
• Solução: O método calcula os histogramas e as Funções de Distribuição Acumulada (CDF) apenas sobre os pixels do tecido mamário (intensidade > 0).
• Processo: As imagens de origem (fontes de alta energia ou outros fornecedores) são mapeadas para um estilo de referência de baixa energia (otimizado para contraste de tecidos moles), mantendo o fundo zerado. Isso é feito através de um mapeamento CDF no espaço de pixels, sendo agnóstico ao modelo de IA.

C. Arquitetura de Avaliação

O estudo avalia modelos de Deep Learning (CNNs e Transformers) em três tarefas clínicas:

1. Diagnóstico: Benigno vs. Maligno.
2. Classificação de Risco BI-RADS: Agrupamento binário (baixo vs. alto risco) e ternário.
3. Avaliação de Densidade: Predição das categorias A, B, C, D.

• Configuração de Visão: Compara-se modelos de visão única (CC ou MLO) contra duas visões (CC + MLO concatenadas).
• Backbones Testados: EfficientNet-B0, ResNet-50, DenseNet-121 e Swin-T (Transformer).

3. Principais Contribuições

1. LUMINA Dataset: O primeiro benchmark público de mamografia FFDM que combina multi-fornecedores, metadados de energia, confirmação patológica e anotações completas de BI-RADS/densidade.
2. Protocolo de Harmonização: Uma técnica leve e agnóstica ao modelo que alinha distribuições de intensidade apenas no tecido mamário, preservando o contraste das lesões e reduzindo o viés de fornecedor/energia.
3. Benchmark Unificado: Avaliação sistemática de três tarefas clínicas distintas, demonstrando que modelos de duas visões superam consistentemente os de visão única.
4. Análise de Interpretabilidade: Demonstração de que a harmonização melhora não apenas a precisão, mas também a localização das lesões (via Grad-CAM), focando a atenção do modelo nas regiões suspeitas e reduzindo ativações difusas no fundo ou na parede torácica.

4. Resultados Chave

• Desempenho de Diagnóstico:
  • O EfficientNet-B0 com duas visões e resolução de entrada 512² alcançou o melhor desempenho geral, com AUC de 93,54% para diagnóstico de câncer.
  • Modelos de duas visões superaram consistentemente os de visão única em todos os backbones.
• Classificação BI-RADS:
  • O EfficientNet-B0 obteve o melhor AUC para classificação de risco (92,80% no cenário binário).
• Classificação de Densidade:
  • O Swin-T (Transformer) superou as CNNs, alcançando o melhor Macro-AUC de 89,43% (na resolução 224²), demonstrando a eficácia de mecanismos de atenção para tarefas multiclasse complexas.
• Impacto da Harmonização:
  • A aplicação da harmonização de histograma resultou em ganhos consistentes de AUC e ACC em todas as tarefas e backbones.
  • A harmonização foi particularmente benéfica para imagens de baixa energia, reduzindo a lacuna de distribuição entre os tipos de energia.
  • Visualmente, as mapas de calor (Grad-CAM) tornaram-se mais focados nas lesões após a harmonização.
• Eficiência: A configuração de backbone compartilhado para duas visões reduziu os parâmetros do modelo em ~48% em comparação com backbones independentes, sem sacrificar a precisão.

5. Significado e Conclusão

O trabalho LUMINA estabelece um novo padrão para o desenvolvimento de IA em mamografia ao abordar o problema da generalização entre diferentes equipamentos e protocolos de aquisição.

• Relevância Clínica: Ao fornecer um dataset com anotações patológicas e BI-RADS de alta qualidade, facilita a criação de modelos que podem ser implantados com maior confiança em ambientes clínicos diversos.
• Viabilidade de Implantação: A técnica de harmonização proposta é simples, computacionalmente leve e não requer re-treinamento complexo, tornando-a uma etapa de pré-processamento viável para sistemas de IA em produção.
• Futuro: O dataset e o código estão disponíveis publicamente, visando catalisar pesquisas futuras em mamografia robusta e generalizável, fechando a lacuna entre benchmarks acadêmicos e a realidade da prática clínica.