Exploring Entropy-based Active Learning for Fair Brain Segmentation

Resumo Técnico: Explorando Aprendizado Ativo Baseado em Entropia para Segmentação Cerebral Justa

Declaração do Problema
O aprendizado ativo (AA) é uma estratégia crítica para mitigar os altos custos da anotação por especialistas na segmentação de imagens médicas. No entanto, os métodos padrão de AA baseados em incerteza geralmente otimizam métricas de desempenho global, ignorando frequentemente disparidades no desempenho entre grupos definidos por atributos sensíveis (por exemplo, raça, sexo). Embora o aprendizado ativo justo tenha sido explorado em tarefas de classificação, sua aplicação à segmentação de imagens médicas permanece amplamente inexplorada. Modelos de segmentação existentes frequentemente exibem disparidades demográficas, onde o desempenho degrada-se para grupos sub-representados ou aqueles com variações anatômicas específicas. Além disso, a amostragem de incerteza ingênua em segmentação tende a selecionar imagens redundantes ou outliers, e os cálculos padrão de entropia podem ser enviesados por diferenças de volume anatômico, em vez de verdadeira incerteza do modelo.

Metodologia
Os autores propõem um Framework de Aprendizado Ativo Consciente de Justiça especificamente projetado para segmentação de ressonância magnética (RM) cerebral. O núcleo do método é uma estratégia de seleção de Entropia Localizada Ponderada que modula a incerteza voxel a voxel com base no desempenho específico do grupo atual.

1. Geração de Dados: Para controlar o viés, o estudo utiliza RMs cerebrais sintéticas ponderadas em T1 geradas via o framework SimBA. Dois grupos são definidos:

   • Grupo 1: Casos com deformações globais mais uma deformação localizada no núcleo caudado esquerdo (simulando um "viés" ou variação anatômica específica).
   • Grupo 2: Casos com deformações globais apenas.
     Os experimentos foram conduzidos sob condições de "viés forte" ($\mu=4$) e "viés fraco" ($\mu=2$).

2. Estratégia de Entropia Localizada Ponderada:

   • Entropia Localizada: Para desacoplar a verdadeira incerteza epistêmica das variações de volume anatômico, a entropia é computada apenas dentro de uma máscara de Região de Interesse (ROI) dilatada ao redor da estrutura-alvo (núcleo caudado esquerdo). A entropia é média sobre a ROI e normalizada pelo tamanho da região ($\hat{H}$), impedindo que estruturas maiores dominem a pontuação de seleção.
   • Ponderação Consciente do Grupo: O framework calcula uma pontuação de desempenho padronizada ($z_g$) para cada grupo $g$ com base no Coeficiente de Similaridade Dice (DSC) no conjunto rotulado atual. Grupos com desempenho inferior (DSC mais baixo) recebem pesos mais altos ($w_g$) via uma transformação softmax.
   • Pontuação de Aquisição: A pontuação final para selecionar uma amostra $x_g$ é o produto do peso do grupo e da entropia localizada: $score(x_g) = w_g \cdot \hat{H}$. Isso prioriza amostras de grupos onde o modelo atualmente tem desempenho inferior.

3. Configuração Experimental: Uma U-Net 3D foi treinada usando um loop de AA começando a partir de conjuntos rotulados pequenos (10 amostras) com composições iniciais de grupo variadas (balanceadas, 80/20, 20/80). O framework foi comparado contra Amostragem Aleatória (RS), Amostragem por Entropia Média e Amostragem por Entropia Localizada.

Principais Contribuições

• Primeiro AA Justo para Segmentação: Este trabalho aborda a interseção entre aprendizado ativo justo e segmentação de imagens médicas, um domínio previamente inexplorado em comparação com a classificação.
• Estratégia de Seleção Inovadora: Introdução de uma estratégia de Entropia Localizada Ponderada que re-pesa dinamicamente a incerteza com base no desempenho específico do grupo via DSC, garantindo que o processo de AA foque em subgrupos com desempenho inferior.
• Desacoplamento de Incerteza e Anatomia: O uso de entropia mascarada e escalada dentro de uma ROI dilatada para garantir que a seleção seja impulsionada pela incerteza de fronteira, em vez de diferenças de volume estrutural.

Resultados
Experimentos em conjuntos de dados sintéticos demonstraram que o método proposto reduz significativamente as disparidades de desempenho entre grupos em comparação com a amostragem aleatória e métodos padrão de incerteza.

• Desempenho Escalonado por Equidade: A estratégia de Entropia Localizada Ponderada consistentemente alcançou o maior Desempenho de Segmentação Escalonado por Equidade (ESSP) em todos os regimes de inicialização e forças de viés.
• Redução de Disparidade: Em relação à amostragem padrão por entropia, o método proposto reduziu a métrica de disparidade ($\Delta$) em 75% na configuração de viés forte e 86% na configuração de viés fraco no orçamento final de rotulagem.
• Dinâmicas de Seleção: O método priorizou com sucesso amostras do Grupo 1 com desempenho inferior (o subgrupo desafiado pela morfologia), enquanto a entropia global frequentemente selecionava mais amostras do Grupo 2, e a amostragem aleatória mantinha um equilíbrio de 50/50.
• Descobertas de Linha de Base: Surpreendentemente, experimentos de linha de base mostraram que o treinamento exclusivamente nos dados mais desafiadores do Grupo 1 resultou em um ESSP melhor do que o treinamento balanceado, sugerindo que a super-representação da morfologia difícil atua como uma "âncora de justiça" sem comprometer severamente a utilidade geral.

Significado e Alegações
Os autores afirmam que este trabalho oferece uma estratégia eficiente para treinar modelos mais equitativos em ambientes com recursos limitados onde orçamentos de anotação são restritos. O framework é notável por ser leve; ele depende exclusivamente do desempenho do conjunto rotulado para estimar pesos de grupo, não exigindo classificadores de justiça adicionais ou modelagem dispendiosa de representatividade em espaços de características.

O artigo reconhece modestamente limitações, principalmente o uso de dados sintéticos para controlar explicitamente a magnitude do viés. Os autores observam que dados médicos do mundo real envolvem vieses complexos e difíceis de desvendar (por exemplo, artefatos de scanner). Eles argumentam que, embora seus resultados apoiem a utilidade da amostragem ponderada para evitar viés de desempenho ao nível do grupo, traduzir isso para cenários do mundo real requer a identificação de atributos sensíveis com base em hipóteses prévias e segmentações de referência confiáveis. O estudo conclui que a pressão de seleção adaptativa em direção a grupos com desempenho inferior é um caminho viável para a segmentação justa de imagens médicas.