A Unified Framework for the Detection and Classification of Fatty Pancreas in Ultrasound Images

Resumo Técnico: Um Framework Unificado para Detecção e Classificação de Pâncreas Gorduroso em Imagens de Ultrassom

Enunciado do Problema
A doença do pâncreas gorduroso não alcoólico (DPGNA) é uma condição médica significativa associada à síndrome metabólica, resistência à insulina e aumento do risco de câncer pancreático. No entanto, seu diagnóstico permanece desafiador devido à natureza subjetiva da avaliação convencional por ultrassom, à alta variabilidade interobservador e à dificuldade anatômica de visualizar o pâncreas. Embora modalidades avançadas como tomografia computadorizada (TC) e ressonância magnética (RM) ofereçam quantificação objetiva, são custosas, envolvem radiação (TC) ou carecem de disponibilidade universal. O ultrassom permanece como a principal ferramenta de triagem custo-efetiva, mas a avaliação atual depende fortemente da graduação visual manual da ecogenicidade, levando a relatórios inconsistentes de prevalência e classificações de gravidade. Há uma falta de pipelines totalmente automatizados capazes de classificar pâncreas gorduroso a partir de imagens de ultrassom.

Metodologia
Os autores propõem um framework ponta a ponta que mimetiza o processo de raciocínio clínico dos radiologistas, consistindo em três etapas distintas:

1. Segmentação:

   • Arquitetura: O sistema emprega uma arquitetura baseada em TransUNet, combinando um codificador ResNet50 com um gargalo de transformador (utilizando atenção própria multi-cabeça) e um módulo de convolução dilatada. Este design captura tanto detalhes de textura local quanto contexto global.
   • Alvos: Dois modelos separados são treinados para segmentar o parênquima pancreático e a veia esplênica.
   • Aprendizado por Transferência: Para abordar a escassez de dados e o sobreajuste, os modelos são inicializados via aprendizado por transferência específico de domínio a partir de uma tarefa de segmentação hepática (compartilhando características de ultrassom semelhantes) antes de serem ajustados finamente no conjunto de dados alvo de pâncreas/veia esplênica.
   • Função de Perda: O treinamento utiliza uma perda combinada de Dice e Entropia Cruzada Binária (BCE).

2. Extração de Patches Guiada Anatomicamente:

   • Em vez de analisar a imagem inteira, o sistema extrai patches de tecido de duas regiões clinicamente relevantes definidas pelas máscaras de segmentação:
     • Patches Pancreáticos: Patches não sobrepostos amostrados dentro da máscara do pâncreas, excluindo a veia esplênica.
     • Patches de Gordura Perivenosa: Patches amostrados da região de gordura imediatamente abaixo do contorno da veia esplênica.
   • Esta estratégia automatiza a comparação clínica entre o tecido pancreático e a gordura retroperitoneal circundante.

3. Engenharia de Características e Classificação:

   • Extração de Características: Para cada patch, um vetor de características é computado, compreendendo estatísticas de intensidade (média, desvio padrão, mediana), histogramas de intensidade normalizados, variância de Laplaciano (nitidez da textura), contraste local e magnitude do gradiente de Sobel.
   • Agregação ao Nível do Paciente: Em vez de classificar patches individuais, o framework computa distâncias L2 pares entre todos os patches de gordura e todos os patches pancreáticos para um dado paciente. O vetor de características ao nível do paciente agrega estatísticas desta matriz de distâncias (por exemplo, média, percentis, estatísticas de vizinho mais próximo) e a diferença média de características entre os dois tipos de tecido.
   • Classificação: O sistema avalia classificadores não supervisionados (agrupamento K-Means) e supervisionados (SVM com kernels RBF e linear, Random Forest, Gradient Boosting, Regressão Logística, KNN). A intuição clínica é que, em um pâncreas gorduroso, as distribuições de ecogenicidade da gordura e do pâncreas se sobrepõem, resultando em distâncias pares menores em comparação com um pâncreas normal.

Principais Contribuições

• Primeiro Pipeline Ponta a Ponta: Os autores apresentam o primeiro pipeline totalmente automatizado para classificação de pâncreas gorduroso a partir de ultrassom que integra segmentação, extração de patches guiada anatomicamente e classificação baseada em textura.
• Aprendizado por Transferência Específico de Domínio: O estudo demonstra que inicializar modelos de segmentação de pâncreas/veia esplênica com pesos de uma tarefa de segmentação hepática supera substancialmente o MedSAM (Segment Anything Model) zero-shot e ajustado finamente nesta tarefa específica, particularmente em um cenário sem prompts.
• Mimetismo Clínico: A abordagem de engenharia de características mimetiza explicitamente a avaliação clínica ao comparar a textura da gordura perivenosa com o parênquima pancreático, fornecendo um sinal interpretável para classificação.
• Validação Robusta: O pipeline completo é validado usando validação cruzada de 5 dobras com re-treinamento independente dos modelos de segmentação para cada dobra, garantindo que os resultados não sejam artefatos de uma divisão específica de dados.

Resultados Experimentais
O framework foi validado em um conjunto de dados clínico de 214 imagens de ultrassom abdominal, com 107 casos rotulados por especialistas (53 gordurosos, 55 normais).

• Segmentação: Os modelos TransUNet alcançaram escores médios de Dice de 0,712 (±0,018) para o pâncreas e 0,699 (±0,071) para a veia esplênica. Embora o MedSAM ajustado finamente tenha alcançado escores de Dice ligeiramente superiores (0,834/0,837), exigiu prompts de caixas delimitadoras de verdade fundamental na inferência, enquanto o TransUNet proposto opera totalmente automaticamente. O MedSAM zero-shot performou mal (Dice ~0,56).
• Classificação:
  • Supervisionada: O SVM com kernel RBF alcançou o melhor desempenho com uma precisão média validada cruzadamente de 89,7% ± 1,8% e um escore F1 de 0,898 ± 0,019. O kappa de Cohen foi 0,794, indicando concordância substancial com os rótulos de especialistas.
  • Não Supervisionada: A linha de base K-Means alcançou 87,8% ± 1,4% de precisão, demonstrando que as características projetadas capturam o sinal clínico relevante mesmo sem dados de treinamento rotulados.
  • Robustez: O sistema mostrou robustez notável a erros de segmentação; o desempenho de classificação usando máscaras previstas foi comparável e, em alguns casos, ligeiramente melhor do que usando máscaras de verdade fundamental. Isso sugere que o framework de comparação de textura par a par é tolerante a deslocamentos moderados de fronteira.

Significado e Alegações
O artigo alega que este trabalho representa o primeiro framework automatizado ponta a ponta para classificação de pâncreas gorduroso a partir de ultrassom usando análise de textura guiada por segmentação. Os autores enfatizam que sua abordagem traduz com sucesso o raciocínio clínico subjetivo em um fluxo de trabalho quantitativo e automatizado. Eles destacam que a engenharia de características proposta captura efetivamente as diferenças de ecogenicidade, alcançando desempenho estável apesar do tamanho limitado do conjunto de dados. Os resultados sugerem que melhorias adicionais na precisão da segmentação, por si só, podem não se traduzir linearmente em melhor classificação, pois o gargalo pode residir no tamanho do conjunto de dados ou na representação de características, e não na precisão da segmentação. Os autores reconhecem limitações relacionadas ao conjunto de dados de um único centro, falta de avaliação de variabilidade interobservador e a natureza binária da classificação, notando que trabalhos futuros devem focar em validação multicêntrica e na extensão do framework para avaliação de gravidade multi-graduada.