PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification

Resumo Técnico: PRISM para Classificação de Leucemia Linfoblástica Aguda

Declaração do Problema
O diagnóstico automatizado de Leucemia Linfoblástica Aguda (LLA) por meio da análise de esfregaço de sangue periférico enfrenta obstáculos significativos. Os pipelines tradicionais de Diagnóstico Auxiliado por Computador (CAD) dependem fortemente de segmentação precisa da membrana celular para extrair biomarcadores morfológicos (por exemplo, aumento nuclear, redução citoplasmática). No entanto, esta etapa frequentemente falha em condições laboratoriais rotineiras devido à sobreposição de eritrócitos, baixo contraste nucleocitoplasmático e inconsistências na coloração. Por outro lado, embora as abordagens de Aprendizado Profundo (DL) (CNNs, Vision Transformers) tenham alcançado alta precisão, elas frequentemente funcionam como "caixas pretas" sem interpretabilidade, são propensas a sobreajuste em pequenos conjuntos de dados médicos e exigem recursos computacionais substanciais (GPUs) que limitam a implantação em ambientes de saúde com recursos limitados ou descentralizados.

Metodologia: O Framework PRISM
Os autores propõem o Método de Segmentação de Imagem Baseado em Anel Perinuclear (PRISM), uma abordagem leve e independente de GPU que contorna a necessidade de delimitação explícita da membrana celular completa. A metodologia é estruturada em quatro fases integradas:

1. Pré-processamento e Segmentação Nuclear:

   • Imagens de entrada (256 × 256) são padronizadas e mapeadas para os espaços de cor CIELAB e HSV.
   • Um mapa de pontuação cromática personalizado ($S_{chroma}$) é gerado para maximizar o contraste nucleocitoplasmático, ponderando o canal oponente azul-amarelo e a saturação.
   • O núcleo é segmentado usando o limiar de Otsu no canal de luminosidade, com um fallback de agrupamento K-Means para casos extremos. Heurísticas topológicas filtram artefatos, resultando em uma máscara nuclear robusta ($M_n$) que serve como âncora geométrica.

2. Mapeamento Espacial Baseado em PRISM (Extração Zonal):

   • Em vez de segmentar a célula inteira, o PRISM constrói zonas concêntricas adaptativas ao redor do núcleo ($M_n$).
   • Uma estratégia de dilatação adaptativa calcula um raio de expansão ($\delta^*$) com base na área nuclear para delimitar dinamicamente as zonas, prevenindo a extensão excessiva.
   • Duas zonas espaciais mutuamente exclusivas são definidas:
     • $Z_1$ (Interface Próxima): A região perinuclear imediata ($D_{\delta^*_1}(M_n) \setminus M_n$).
     • $Z_2$ (Citoplasma Distal): A região mais distante do núcleo ($D_{\delta^*_2}(M_n) \setminus D_{\delta^*_1}(M_n)$).
   • Essas zonas, juntamente com o núcleo e o limite grosseiro da célula, servem como bases independentes para extração de características.

3. Extração de Características Multidomínio:

   • Morfológicas/Topológicas: Propriedades geométricas (área, circularidade, solidez) e a razão Núcleo:Citoplasma (N:C).
   • Estatísticas Cromáticas: Momentos de primeira ordem (média, desvio padrão) dos canais RGB e em escala de cinza. Crucialmente, o método calcula gradientes de intensidade espacial ($\Delta$) representando o decaimento de cor e textura do núcleo para a periferia ($\mu(M_n) - \mu(Z_i)$).
   • Análise Textural: Características de macro-textura (Contraste, Homogeneidade, Energia, Correlação) derivadas de Matrizes de Co-ocorrência de Níveis de Cinza (GLCM) e heterogeneidades de micro-textura capturadas via Padrões Binários Locais (LBP), reduzidas para 32 bins para diminuir a dimensionalidade.

4. Meta-classificação (Empilhamento de Ensemble):

   • Uma arquitetura heterogênea de empilhamento de ensemble é empregada.
   • Nível-0: Um pool diversificado de classificadores base (Random Forest, Extra Trees, XGBoost, SVM, KNN, Regressão Logística).
   • Calibração: A Escala de Platt é aplicada às saídas dos modelos base para garantir que representem probabilidades posteriores verdadeiras.
   • Nível-1: Uma Máquina de Vetores de Suporte (SVM) com kernel RBF atua como meta-classificador, treinada em probabilidades Fora-Da-Dobra (OOF) para prevenir vazamento de dados.

Principais Contribuições

• Metodologia Matemática Adaptativa: O PRISM substitui a tarefa propensa a erros de segmentação de célula completa por uma abordagem zonal concêntrica multiescala ancorada no núcleo biologicamente estável.
• Interpretabilidade: Diferentemente de modelos de DL opacos, o PRISM fundamenta as previsões em gradientes morfológicos e cromáticos explícitos e clinicamente verificáveis na interface nucleocitoplasmática.
• Eficiência Computacional: O framework traduz uma tarefa de visão computacional de alta dimensionalidade em um problema leve de aprendizado de máquina tabular, permitindo inferência de alto desempenho em dispositivos com recursos limitados e apenas CPU, sem dependência de GPU.
• Desempenho de Estado da Arte: A validação experimental demonstra que o ensemble impulsionado pelo PRISM supera ou iguala arquiteturas de DL ponta a ponta de estado da arte no conjunto de dados ALL-IDB2.

Resultados Experimentais
Avaliado no conjunto de dados ALL-IDB2 (260 células isoladas: 130 leucêmicas, 130 saudáveis) usando validação cruzada estratificada de 5 dobras:

• Desempenho: A configuração de ensemble ótima (Extra Trees + SVM + Regressão Logística) alcançou uma precisão de 98,46%, uma Área sob a Curva Precisão-Revocação (AUC) de 0,9937 e um Coeficiente de Correlação de Matthews (MCC) de 0,9698.
• Estudo de Ablação: O estudo constatou que um ensemble mínimo de dois modelos (RF + SVM) foi suficiente para atingir a precisão máxima (98,46%), enquanto aumentar a complexidade além de três modelos não ofereceu ganhos significativos e, ocasionalmente, degradou o desempenho devido ao sobreajuste do meta-classificador.
• Comparação com DL: O PRISM superou cinco baselines de DL (ResNet-18, VGG16, DenseNet-121, EfficientNet-B0, Swin Transformer). Notavelmente, o EfficientNet-B0 alcançou 98,08% de precisão, enquanto o PRISM alcançou 98,46% sem exigir pesos pré-treinados, aprendizado por transferência extensivo ou aceleração por GPU.
• Comparação com a Literatura: O PRISM iguala o desempenho de ensembles complexos de DL recentes (por exemplo, [Rodrigues et al. 2022], [Das et al. 2025]) e supera significativamente métodos tradicionais artesanais, mantendo ao mesmo tempo um pipeline de execução de baixo custo e sem GPU.

Significado e Alegações
O artigo afirma que o PRISM estabelece um novo padrão para triagem automatizada de linfoblastos, equilibrando precisão, interpretabilidade e eficiência. Seu significado principal reside em:

1. Foco Biológico: Ao restringir geometricamente a análise ao núcleo e anéis perinucleares, o método evita aprender artefatos de fundo confusos (por exemplo, variações de coloração, densidade de eritrócitos) que frequentemente afligem CNNs ponta a ponta.
2. Viabilidade Clínica: O framework fornece um processo de tomada de decisão transparente baseado em marcadores biológicos verificáveis, abordando a limitação de "caixa preta" do DL em ambientes médicos.
3. Acessibilidade: Ao eliminar a necessidade de GPUs de alto nível e pipelines de treinamento complexos, o PRISM oferece uma solução escalável adequada para diagnósticos no ponto de atendimento em ambientes com recursos limitados ou descentralizados.

Os autores concluem que representações leves de segmentação e interpretáveis podem entregar triagem de LLA de alta precisão com eficiência prática, e propõem trabalhos futuros para integrar o PRISM em pipelines de microscopia portátil e validá-lo em dados clínicos do mundo real de laboratórios diversos.