Resumo Técnico: Segmentação de Imagens Médicas Federada sob Ruído de Rótulo do Mundo Real

Declaração do Problema

O Aprendizado Federado (FL) facilita a segmentação colaborativa de imagens médicas sem centralizar dados sensíveis. No entanto, a implantação no mundo real é dificultada pelo ruído de rótulo decorrente da variabilidade inter-avaliador, erros de anotação e geração automática de rótulos. Na segmentação, esse ruído se manifesta como inconsistências de contorno, instâncias alvo ausentes ou adicionais e confusão de rótulos de classe. Essas imperfeições degradam o desempenho do modelo e podem se propagar através dos fluxos de trabalho clínicos.

Embora o Aprendizado de Rótulos Ruidosos Federados (FNLL) vise mitigar esses efeitos, sua adoção prática é limitada. Pesquisas existentes dependem fortemente de ruído sintético, cenários de ruído de cliente simplificados e conjuntos de dados restritos, falhando em capturar a complexidade dos ambientes federados do mundo real, onde a heterogeneidade de dados e anotações é intrínseca. Além disso, a falta de um benchmark padronizado impede a avaliação sistemática e a seleção informada de métodos para tipos específicos de ruído e cenários de implantação.

Metodologia

Os autores introduzem um conjunto de benchmarks abrangente projetado para avaliar métodos de FNLL sob condições realistas. O conjunto integra quatro componentes principais:

1. Conjuntos de Dados com Ruído de Rótulo do Mundo Real

O benchmark utiliza seis conjuntos de dados curados de segmentação de imagens médicas cobrindo diversas modalidades (CT, Fundus, Microscopia, MR) e domínios clínicos (torácico, retinal, próstata, tumores de camundongo, multi-órgão).

• Fonte de Ruído: Os rótulos são derivados da variabilidade inerente inter-avaliador (datasets multi-avaliador) ou gerados automaticamente, em vez de corrupção sintética.
• Verdade Fundamental (Ground Truth): Referências limpas são estabelecidas via votação majoritária, fusão STAPLE ou anotações de especialistas.
• Tipos de Ruído: Os conjuntos de dados exibem uma mistura de discordância de contorno, instâncias ausentes/extras e confusão de classe.

2. Estrutura de Benchmarking Federado

• Arquitetura: Construída sobre uma adaptação federada do nnU-Net, garantindo pré-processamento adaptável à tarefa e configurações de rede consistentes entre os clientes.
• Cenários de Ruído de Cliente: Quatro cenários são avaliados para testar a robustez:
  • Clean (Limpo): Todos os clientes usam rótulos limpos.
  • Noisy (Ruidoso): Todos os clientes usam rótulos ruidosos.
  • Ratio of Clients (roc): Uma fração $p$ dos clientes é totalmente ruidosa.
  • Ratio on All (roa): Cada cliente contém uma fração $p$ de amostras ruidosas.
• Métricas de Avaliação:
  • Geral: Pontuação Dice (baseada em sobreposição).
  • Específica de Ruído: HD95 (discordância de contorno), F1 de nível de instância (estruturas ausentes/extras) e Confusão de Classe (troca de rótulos).
  • Rigor Estatístico: Reamostragem Bootstrap (1000 iterações) e testes de postos sinalizados de Wilcoxon pareados de uma cauda com correção de Holm-Bonferroni são usados para avaliar a significância contra o baseline.

3. Métodos de FNLL Avaliados

Cinco métodos representativos são comparados contra o baseline padrão FedAvg:

• FedA³I (Agregação consciente de ruído): Estima a confiabilidade do cliente via um Modelo de Mistura Gaussiana (GMM) para reponderar atualizações, visando o viés de contorno.
• IOP-FL (Personalização robusta ao ruído): Adapta modelos para distribuições específicas do cliente fundindo informações de gradiente locais e globais.
• FedCorr (Correção de Rótulo): Identifica clientes ruidosos e refina rótulos usando predições globais e regularização proximal sem exigir dados de validação limpos.
• FedSelect (Seleção de Amostra): Utiliza estratégias aprendidas via meta-learning para selecionar amostras informativas e ponderar clientes com base na dinâmica de treinamento.

4. Configuração Experimental

Os datasets são particionados em 3–5 clientes baseados em fatores clinicamente significativos (ex: scanner, centro, avaliador). Hiperparâmetros são otimizados via busca em grade para maximizar o desempenho médio entre os datasets.

Principais Resultados

Análise de Dados

O ruído de rótulo do mundo real raramente é isolado; ele frequentemente ocorre em combinações. O GleasonHD exibiu o ruído mais severo e heterogêneo, enquanto o RIGA e o MouseT mostraram ruído predominantemente baseado em contorno. O MMIA foi caracterizado principalmente por estruturas alvo ausentes ou adicionais.

Desempenho dos Métodos

• Melhor Desempenho: O FedSelect emergiu como o método FNLL mais forte no geral, demonstrando alta estabilidade de ranking e desempenho consistente através de datasets, tipos de ruído e cenários.
• Competidor: O IOP-FL foi o principal competidor, frequentemente alcançando as melhores pontuações Dice em comparações específicas de dataset-cenário, particularmente em configurações dominadas por contorno.
• Baseline: O FedAvg permaneceu um baseline forte e competitivo. Em muitos casos, métodos dedicados de FNLL não superaram significativamente o FedAvg, destacando que a superioridade do FNLL não é universal.
• Desempenho Inferior: FedA³I e FedCorr mostraram os ganhos menos consistentes, frequentemente falhando em melhorar em relação ao FedAvg nos cenários testados.

Robustez e Especificidade

• Sensibilidade ao Cenário: O cenário roc (clientes parcialmente ruidosos) causou uma degradação de desempenho mais significativa do que o cenário roa (ruído parcial dentro de todos os clientes).
• Especificidade do Tipo de Ruído:
  • Ruído de Contorno (HD95): O FedSelect consistentemente igualou ou superou o FedAvg.
  • Ruído de Instância (F1): FedSelect e IOP-FL foram os mais fortes.
  • Confusão de Classe: O FedSelect classificou-se melhor, embora os resultados tenham sido limitados pelo único dataset (GleasonHD) disponível para esta métrica.
• Degradação vs. Desempenho Absoluto: Embora o FedSelect tenha alcançado as maiores pontuações Dice absolutas, o FedCorr mostrou a menor degradação relativa ao baseline limpo em cenários altamente ruidosos (roc e totalmente ruidosos), impulsionado principalmente por seu desempenho no difícil dataset GleasonHD.

Contribuições e Significância

O artigo reivindica as seguintes contribuições:

1. Conjunto de Benchmark: Um framework reutilizável e de código aberto (disponível em MIC-DKFZ/FedSegNoiseBench) combinando diversos datasets ruidosos do mundo real, um framework de treinamento federado e protocolos de avaliação direcionados ao ruído.
2. Avaliação Sistemática: A primeira avaliação abrangente de métodos FNLL através de múltiplos tipos de ruído do mundo real e cenários de ruído de cliente, indo além das limitações do ruído sintético.
3. Guia de Decisão: Um guia acionável (Tabela 4) vinculando características observadas de ruído de rótulo e cenários de ruído de cliente a estratégias de FNLL adequadas, apoiando a seleção informada de métodos em implantação.
4. Recurso para a Comunidade: Uma base para benchmarking justo, caracterização de ruído específica de dataset e desenvolvimento futuro de métodos sob configurações federadas realistas.

Conclusão

O estudo conclui que, embora o FedSelect seja o método FNLL mais robusto e consistente no geral, a escolha do método é altamente dependente do tipo de ruído e do cenário de ruído do cliente. O benchmark demonstra que métodos dedicados de FNLL não superam universalmente o FedAvg; em vez disso, sua utilidade é dependente de contexto. Ao fornecer uma base realista e discriminativa para avaliação, o conjunto permite que a comunidade de imagens médicas passe de suposições sintéticas para decisões baseadas em dados para segmentação federada em ambientes ruidosos do mundo real.