Optimization in Sparse 2D to Dense 3D Weakly Supervised Learning: Application to Multi-Label Segmentation of Large ex vivo MRI Data

Resumo Técnico: Otimização em Aprendizado Fracamente Supervisionado de 2D Esparso para 3D Denso para Segmentação Multi-rotulada de Grandes Dados de Ressonância Magnética ex vivo

Declaração do Problema
A ressonância magnética (RM) ex vivo de alta resolução da medula espinhal (tipicamente 50–100 µm isotrópica) oferece uma caracterização anatômica detalhada da patologia da esclerose múltipla (EM), incluindo lesões da substância cinzenta (SC) e da substância branca (SB). No entanto, o volume colossal de dados (milhares de cortes por amostra) torna a anotação manual densa, por vóxel, proibitivamente dispendiosa. Os pesquisadores são frequentemente forçados a recorrer a anotações 2D esparsas (por exemplo, 428 cortes entre mais de 104.000 cortes totais). Isso cria uma dicotomia técnica: modelos 2D treinados em cortes esparsos carecem de contexto volumétrico, levando a previsões inconsistentes ao longo do eixo Z, enquanto modelos 3D exigem uma verdade-terreno densa que não existe. Soluções existentes, como estratégias 2.5D ou ensino cruzado, tentam preencher essa lacuna, mas as diretrizes para otimizar tais pipelines "Esparsos para Densos" permanecem ambíguas, particularmente no que tange à transferibilidade de estratégias de otimização 2D para contextos 3D.

Metodologia
Os autores propõem um framework de três estágios "Esparsos para Densos" utilizando uma arquitetura de Professor 2D e Estudante 3D, ambas baseadas no nnU-Net v2.

1. Conjunto de Dados: O estudo utiliza dados de RM ex vivo de medula espinhal a 9.4T de pacientes com EM (12 amostras, 43.719 cortes axiais). A verdade-terreno consiste em 428 cortes segmentados manualmente em quatro classes: SB Saudável, SC Saudável, Lesão na SB e Lesão na SC.
2. Estágio 1 (Professor 2D): Um nnU-Net 2D é treinado nas anotações esparsas. Os autores otimizaram sistematicamente este estágio testando modalidades de entrada (Magnitude vs. Fase), técnicas de pré-processamento (CLAHE, estiramento de contraste), aumento espacial e regularização por rótulos suaves.
3. Estágio 2 (Geração de Pseudo-rótulos): O Professor 2D otimizado gera pseudo-rótulos volumétricos densos para todo o conjunto de dados usando ensemble (validação cruzada de 4 dobras) e Aumento no Tempo de Teste (TTA).
4. Estágio 3 (Estudante 3D): Um nnU-Net 3D é treinado nos pseudo-rótulos densos para aprender características volumétricas e consistência longitudinal. Os autores aplicaram a mesma otimização sistemática (pré-processamento, aumento, rótulos suaves) ao Estudante 3D para determinar se as estratégias 2D transferem-se eficazmente.
5. Avaliação: O desempenho foi avaliado usando a Pontuação Dice, a Distância de Hausdorff no percentil 95 (HD95) e uma nova métrica de Consistência Geométrica (Dice Inter-corte, DSCz) para medir a suavidade do eixo Z.

Principais Contribuições
O artigo faz três contribuições primárias:

1. A Divergência de Percepção: Evidência empírica demonstrando que técnicas de pré-processamento otimizadas para a percepção visual humana (especificamente CLAHE e estiramento de contraste) são prejudiciais ao desempenho de aprendizado de máquina neste domínio. Esses métodos degradaram as Pontuações Dice de Lesão na Substância Cinzenta em até 25 pontos percentuais, ao perturbar as estatísticas de intensidade globais essenciais para o modelo.
2. Necessidades Divergentes de Regularização: Identificação de um conflito crítico em pipelines "Esparsos para Densos". Enquanto o aumento espacial agressivo e o uso de rótulos suaves melhoraram significativamente o Professor 2D (melhorando a detecção de Lesão na SB em >11 pontos Dice), essas mesmas técnicas degradaram o desempenho do Estudante 3D.
3. Modelo de Acesso Aberto: A liberação de um modelo treinado para segmentar SB, SC e lesões de EM em RM de medula espinhal humana ex vivo, disponível através da Spinal Cord Toolbox.

Resultados

• Modalidades de Entrada: Modelos de entrada dupla (Magnitude + Fase) superaram os modelos apenas de magnitude, particularmente para a estabilidade da Lesão na SC e precisão de limites (HD95), confirmando a necessidade de dados de fase para resolver limites anatômicos finos.
• Pré-processamento: Contrariando a hipótese de que o aprimoramento visual auxilia o modelo, a aplicação de CLAHE em imagens de magnitude e estiramento de contraste em imagens de fase causou quedas severas de desempenho. O Dice de Lesão na SC em 2D caiu de 0,665 para 0,415 com CLAHE de magnitude. O modelo 3D mostrou degradação similar, embora tenha exibido ligeira mais resiliência em métricas de limites (HD95) para Lesão na SC, sugerindo que o contexto volumétrico oferece alguma proteção contra distorção de textura.
• Aumento:
  • 2D: O aumento espacial agressivo (rotações, escalas, cisalhamentos) foi crítico. Sem ele, o Dice de Lesão na SB caiu para 0,631; com aumento moderado (Aug2), atingiu 0,743.
  • 3D: Observou-se a tendência oposta. O Estudante 3D alcançou seu desempenho mais alto (Dice Total Médio 0,772) com nenhum aumento espacial. A introdução de aumento degradou o desempenho, com as configurações mais agressivas causando um colapso na fidelidade dos limites.
• Rótulos Suaves:
  • 2D: A rotulagem suave (Soft Seg 2) melhorou o desempenho, elevando o Dice de Lesão na SB para 0,744 e refinando a precisão dos limites.
  • 3D: A rotulagem suave não proporcionou benefício e piorou ligeiramente os resultados. Os autores sugerem que os pseudo-rótulos gerados pelo ensemble 2D já suavizam a incerteza, tornando a regularização adicional por perda suave contraproducente (super-suavização).
• Consistência Volumétrica: A transição de 2D para 3D produziu um ganho significativo na continuidade geométrica. A empilhamento ingênuo de previsões 2D resultou em um baixo Dice Inter-corte (DSCz) de 0,785, enquanto o Estudante 3D alcançou 0,900. No entanto, essa suavidade veio com uma compensação: o Estudante 3D teve um HD95 ligeiramente maior (1,00 mm) em comparação com o Professor 2D otimizado (0,72 mm), indicando uma mudança da aderência estrita ao contorno no plano para a plausibilidade biológica.

Significado e Alegações
O artigo alega que a transição de 2D para 3D no aprendizado fracamente supervisionado não é meramente um truque de inferência, mas uma mudança fundamental na dinâmica de aprendizado. Os autores argumentam que arquiteturas 3D treinadas em pseudo-rótulos densos exibem paisagens de otimização diferentes de suas contrapartes 2D. Especificamente, os riscos de "aprendizado por atalho" que necessitam de aumento agressivo em configurações 2D esparsas são mitigados em 3D pela densidade dos pseudo-rótulos, tornando tal aumento prejudicial. Da mesma forma, a modelagem de incerteza benéfica para a imitação de avaliadores humanos em 2D torna-se redundante ou destrutiva quando o modelo 3D é treinado em previsões de ensemble já médias.

O estudo conclui que práticas padrão de visão computacional (pré-processamento centrado no humano, aumento agressivo, rótulos suaves) não podem ser transferidas cegamente de 2D para tarefas de segmentação médica 3D. Em vez disso, modelos 3D treinados em pseudo-rótulos densos exigem uma estratégia de regularização distinta e conservadora que priorize a consistência volumétrica sobre as técnicas específicas de redução de ruído necessárias para o treinamento 2D esparso. Este trabalho desafia a suposição de que "mais dados" (pseudo-rótulos densos) simplesmente permitem a aplicação direta de heurísticas de otimização 2D, destacando uma "lacuna dimensional" nas necessidades de regularização.