Harmonized Feature Conditioning and Frequency-Prompt Personalization for Multi-Rater Medical Segmentation

Resumo Técnico: Condicionamento de Características Harmonizado e Personalização por Prompt de Frequência para Segmentação Médica Multi-Avaliador

Declaração do Problema
A segmentação de imagens médicas multi-avaliador visa capturar a ambiguidade inerente à interpretação clínica, onde os limites diagnósticos variam entre especialistas e dispositivos de imagem. Abordagens existentes frequentemente reduzem essa diversidade a rótulos de consenso (por exemplo, votação majoritária) ou tratam as diferenças entre avaliadores como ruído, resultando em modelos excessivamente confiantes e mal calibrados. Além disso, as atuais estruturas de aprendizado profundo que operam principalmente no domínio espacial são vulneráveis a ruídos específicos do scanner e artefatos de aquisição. Essas perturbações frequentemente confundem incerteza clinicamente significativa com variabilidade irrelevante, dificultando a generalização entre scanners. Adicionalmente, embora alguns métodos recentes tentem previsões personalizadas, eles frequentemente falham em desentrelaçar explicitamente os efeitos do ruído da variabilidade diagnóstica genuína ou dependem de estratégias de fusão estáticas que não se adaptam aos estilos individuais dos especialistas.

Metodologia
Os autores propõem uma estrutura probabilística unificada, a Rede Harmonizadora, projetada para desentrelaçar artefatos de aquisição da variabilidade genuína do anotador. A arquitetura baseia-se no backbone Probabilistic U-Net e introduz dois módulos cooperativos dentro de um único pipeline de treinamento:

1. Harmonizador de Ruído (Padronização no Nível de Dados):

   • Objetivo: Mitigar artefatos induzidos por scanner e aquisição que distorcem características latentes.
   • Mecanismo: Este módulo modela implicitamente artefatos específicos do scanner usando um banco aprendível de tokens de artefato. Ele prevê parâmetros de modulação espacialmente transmitidos ($\gamma_l, \beta_l$) condicionados às características do decodificador e a esses tokens.
   • Operação: Realiza uma transformação afim ($\tilde{f}_l = \gamma_l \odot f_l + \beta_l$) nas características através das camadas da rede. Isso atua como um mecanismo de normalização orientado por dados que suprime dinamicamente deriva de intensidade, artefatos de movimento e vieses de domínio sem exigir conhecimento explícito da distribuição do ruído. O compartilhamento de pesos entre camadas garante um comportamento consistente de remoção de ruído.

2. Personalização por Prompt de Frequência (Adaptação no Nível do Avaliador):

   • Objetivo: Representar estilos específicos do avaliador (por exemplo, precisão de limites, sensibilidade a textura) que se manifestam como pistas de alta frequência.
   • Mecanismo: Este módulo opera no domínio espectral. Decompõe características usando uma Transformada Wavelet Discreta (DWT) para separar contornos estruturais de baixa frequência de informações de textura e borda de alta frequência.
   • Operação: Um bloco de Projeção de Prompt Consciente do Avaliador (RAPP) codifica preferências específicas do anotador em tokens aprendíveis. Esses tokens são ponderados adaptativamente e combinados com características espectrais de alta frequência por meio de um mecanismo de atenção (Atenção de Grande Kernel). As características refinadas de alta frequência são então fundidas com mapas de baixa frequência e transformadas de volta via DWT Inversa (IDWT) para produzir um vetor latente adaptativo ao avaliador ($z'$). Isso permite que o modelo sintetize segmentações específicas do especialista sem re-treinar o backbone.

3. Regularização Preservadora de Diversidade:

   • A estrutura emprega uma regularização baseada em Distância de Energia Generalizada (GED). Essa perda alinha a distribuição gerativa do modelo com a distribuição empírica de anotações. Minimiza a discrepância entre amostras previstas e anotações de especialistas (fidelidade) enquanto impõe diversidade entre as amostras geradas para evitar o colapso para uma única máscara de consenso.

4. Estratégia de Treinamento:

   • Fase 1: O backbone e o Harmonizador de Ruído são treinados conjuntamente para aprender características latentes invariantes a artefatos. O cabeçalho de adaptação de frequência específico do avaliador é excluído.
   • Fase 2: O backbone e o harmonizador são congelados. Apenas o Módulo de Personalização é treinado para alinhar características espectrais com padrões específicos do avaliador.

Principais Contribuições

• Desentrelaçamento da Variabilidade: O artigo introduz um método para separar explicitamente o ruído induzido por scanner da variabilidade inter-avaliador genuína, garantindo que a incerteza reflita a anatomia e não artefatos de aquisição.
• Personalização no Domínio da Frequência: Diferentemente de abordagens anteriores no domínio espacial, este trabalho introduz Módulos de Prompt de Alta Frequência que operam no domínio espectral para codificar precisão de limites e sensibilidade textural dependentes do anotador.
• Arquitetura Leve: A estrutura adiciona parâmetros mínimos (aproximadamente 0,21M de parâmetros adicionais a um backbone de 30M) enquanto alcança desempenho de última geração, tornando-a computacionalmente eficiente.
• Incerteza Calibrada: O modelo produz estimativas de incerteza que aumentam em regiões ambíguas (onde os especialistas discordam) e diminuem em regiões de consenso, apoiando seu uso como uma ferramenta interpretável.

Resultados Experimentais
O método foi avaliado nos conjuntos de dados LIDC-IDRI (TC torácica) e NPC-170 (ressonância magnética de carcinoma nasofaríngeo), bem como no conjunto de dados Kvasir para robustez a rótulos ruidosos.

• Ajuste Distribucional: A Rede Harmonizadora alcançou as menores pontuações de Distância de Energia Generalizada (GED) tanto no LIDC-IDRI (0,1048) quanto no NPC-170 (0,1758), superando linhas de base como Probabilistic U-Net e D-Persona. Isso indica um alinhamento superior com a distribuição empírica de anotações.
• Precisão Personalizada: O modelo alcançou as melhores pontuações de Dice personalizadas (por exemplo, 92,65% $Dice_{max}$ no LIDC-IDRI), superando o D-Persona em aproximadamente 1,6 pontos percentuais no Dice médio.
• Robustez: Sob ruído sintético (ruído gaussiano, desfoque, jitter gama) e deslocamentos de domínio de aquisição do mundo real (avaliação entre scanners), a Rede Harmonizadora demonstrou estabilidade superior, retendo mais de 95% de seu desempenho com dados limpos sob condições de ruído severo onde outros métodos degradaram significativamente.
• Calibração de Incerteza: A incerteza pixel a pixel do modelo mostrou-se fortemente correlacionada com a correção da previsão e a discordância inter-avaliador, com baixos valores de Erro de Calibração Esperado (ECE) para todos os avaliadores.

Significância e Alegações
O artigo afirma que a Rede Harmonizadora fornece uma solução leve, porém eficaz para segmentação multi-avaliador harmonizada e personalizada. Sua significância primária reside em sua capacidade de:

1. Melhorar a Confiabilidade: Ao remover artefatos de scanner do espaço latente, o modelo garante que a incerteza seja impulsionada pela ambiguidade anatômica e não por ruído.
2. Aumentar a Interpretabilidade: A personalização no domínio da frequência permite que o modelo replique estilos específicos de especialistas (por exemplo, limites nítidos vs. suaves) sem redundância arquitetônica, tornando-o adequado para fluxos de trabalho clínicos que exigem consenso multi-expert ou segundas opiniões individualizadas.
3. Generalizar: A estrutura demonstra robustez tanto a perturbações sintéticas quanto a deslocamentos de domínio do mundo real (diferentes fabricantes de scanners), abordando uma lacuna crítica na literatura atual de segmentação multi-avaliador.

Os autores concluem que sua abordagem apoia o uso de modelos probabilísticos como ferramentas confiáveis para tomada de decisão clínica, fornecendo segmentações diversas, anatomicamente consistentes e específicas do avaliador que respeitam a incerteza inerente da imagem médica.