HamVision: Hamiltonian Dynamics as Inductive Bias for Medical Image Analysis

Resumo Técnico: HamVision

1. O Problema

A análise de imagens médicas abrange tarefas diversas, desde a segmentação de estruturas anatômicas (mapas espaciais densos) até a classificação de condições patológicas (rótulos escalares). Atualmente, essas tarefas são abordadas por arquiteturas especializadas (como U-Nets para segmentação e CNNs/Transformers para classificação) que aprendem transformações de características genéricas a partir dos dados, dependendo da capacidade do modelo para descobrir quais computações são úteis.

O desafio reside na extração de características discriminativas de imagens complexas e ruidosas, onde a informação relevante pode ser sutil (gradientes nas fronteiras de tecidos, padrões texturais ou distribuições espaciais de intensidade). A maioria dos modelos atuais carece de priors estruturais (indutivos) que incorporem explicitamente propriedades físicas ou dinâmicas úteis para a análise de sinais médicos, como a detecção de fronteiras e a saliência de regiões.

2. Metodologia: HamVision

O HamVision propõe uma abordagem unificada que utiliza o oscilador harmônico amortecido (um bloco fundamental do processamento de sinais) como um viés indutivo estruturado. Em vez de aprender dinâmicas genéricas, o modelo impõe que as características evoluam de acordo com a dinâmica de um oscilador físico.

Princípios Fundamentais:

• Decomposição do Espaço de Fase: Quando um sinal espacial (uma linha ou coluna de um mapa de características) aciona um oscilador, a resposta dinâmica gera naturalmente três representações distintas, sem necessidade de supervisão explícita para cada uma:
  1. Posição ($q$): O conteúdo do sinal filtrado.
  2. Momento ($p = \dot{q}$): A taxa de mudança espacial (derivada), que atinge picos nas fronteiras e desaparece em regiões homogêneas.
  3. Energia ($H = \frac{1}{2}|z|^2$): Um mapa de saliência escalar e livre de parâmetros que integra conteúdo e gradientes.

Arquitetura:
O modelo utiliza um Encoder compartilhado baseado em blocos ConvNeXt, seguido por um Gargalo Hamiltoniano (Hamiltonian Bottleneck) e cabeças específicas para cada tarefa.

• O Gargalo Hamiltoniano:

  • Processa as características através de dois caminhos paralelos: um bloco ConvNeXt (para fluxo de gradiente confiável) e um Banco de Osciladores (processamento estruturado pela física).
  • Os osciladores operam em quatro direções (esquerda-direita, direita-esquerda, topo-fundo, fundo-topo) para capturar informações espaciais bidimensionais.
  • O estado complexo do oscilador é discretizado e decomposto em $q$, $p$ e $H$.
  • Uma porta aprendida (gate) funde as saídas do ConvNeXt e do oscilador, permitindo que o modelo aprenda a ponderar a contribuição física versus a convolucional.

• Cabeça de Segmentação (HamSeg):

  • Utiliza um decodificador estilo U-Net.
  • Gating por Energia: O mapa de energia ($H$) atua como uma porta (gate) nas conexões de salto (skip connections), realçando regiões salientes e suprimindo o fundo.
  • Injeção de Momento: O tensor de momento ($p$) é injetado em todos os níveis do decodificador, fornecendo informações de fronteira e textura diretamente ao processo de upsampling.

• Cabeça de Classificação (HamCls):

  • Substitui o decodificador por um mecanismo de pooling no espaço de fase.
  • As três representações são agrupadas globalmente:
    • $q \rightarrow$ vetor de características (conteúdo).
    • $|p| \rightarrow$ vetor de momento (complexidade de textura/densidade de fronteiras).
    • $H \rightarrow$ estatísticas de excitação global.
  • Esses vetores são concatenados e passados por um MLP para classificação.

3. Contribuições Principais

1. Viés Indutivo Estruturado: Introdução de um gargalo baseado em Hamiltonianos que gera representações intermediárias estruturadas (posição, momento, energia) a partir de um único processo dinâmico, em vez de módulos aprendidos separadamente.
2. Arquitetura Unificada: Demonstração de que a mesma dinâmica física pode ser explorada por cabeças específicas para segmentação (via gating e injeção de fronteiras) e classificação (via pooling estatístico) sem modificar o oscilador central.
3. Eficiência e Desempenho: O HamVision alcança resultados state-of-the-art (SOTA) com apenas 7–9 milhões de parâmetros, superando modelos muito maiores (como U-Nets com 100M+ parâmetros ou Transformers).
4. Interpretabilidade Física: As saídas do oscilador possuem significado físico intrínseco (ex: momento detecta bordas, energia indica saliência), permitindo análise diagnóstica sem métodos de explicação post-hoc.

4. Resultados Experimentais

O modelo foi avaliado em 10 benchmarks de imagem médica cobrindo 5 modalidades (dermatoscopia, ultrassom, ressonância magnética, microscopia, tomografia).

• Segmentação (HamSeg):

  • ISIC 2018: Dice Score de 89,38% (SOTA).
  • ISIC 2017: Dice Score de 88,40%.
  • TN3K (Tireoide): Dice Score de 87,05%.
  • ACDC (Coração): Dice Score de 92,40%, superando o FreqConvMamba em +2,61%.
  • Nota: O desempenho superior é atribuído à capacidade do momento de fornecer informações de fronteira em múltiplas escalas.

• Classificação (HamCls):

  • BloodMNIST: Precisão de 98,85% (SOTA, superando MedMamba-S).
  • PathMNIST: Precisão de 96,65% (SOTA, superando MedMamba-B).
  • Resultados competitivos em DermaMNIST, BreastMNIST, OrganSMNIST e RetinaMNIST, muitas vezes superando modelos maiores como MedViT e MedMamba.

5. Significado e Conclusão

O trabalho demonstra que a dinâmica de osciladores harmônicos amortecidos fornece um prior fundamental para a análise de imagens médicas. A decomposição no espaço de fase fornece automaticamente as três informações críticas necessárias para essas tarefas: conteúdo (posição), fronteiras/gradientes (momento) e saliência (energia).

Diferentemente de abordagens puramente baseadas em dados, o HamVision incorpora a física do sistema (estabilidade, dissipação de energia, ressonância) diretamente na arquitetura. Isso resulta em:

• Robustez: O modelo funciona consistentemente em modalidades muito diferentes (de ultrassom a MRI).
• Eficiência: Elimina a necessidade de módulos dedicados para detecção de bordas ou mapas de atenção, pois essas funções emergem da dinâmica.
• Interpretabilidade: Os mapas de momento e energia podem ser visualizados e validados diretamente, confirmando que o modelo aprende a detectar fronteiras e regiões patológicas de forma alinhada com a teoria física.

Em suma, o HamVision estabelece que a escolha do sistema dinâmico subjacente (neste caso, Hamiltoniano) é tão crucial quanto a topologia da rede, oferecendo uma base principled e prática para a próxima geração de modelos de visão médica.