Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation

Resumo Técnico: QUAM-SM para Segmentação de Imagens Médicas

Declaração do Problema
A implantação de modelos de aprendizado profundo em fluxos de trabalho clínicos, particularmente para segmentação de imagens médicas, requer não apenas alta precisão, mas também uma quantificação de incerteza confiável ao nível de pixel. Modelos padrão de aprendizado profundo frequentemente sofrem de má calibração, produzindo previsões excessivamente confiantes que mascaram modos de falha subjacentes, especialmente em bordas de objetos e em regiões patológicas sutis. Essa excesso de confiança pode levar a decisões clínicas incorretas, como interpretar erroneamente uma progressão real da doença como pseudoprogressão. Métodos existentes de estimativa de incerteza, incluindo Ensembles Profundos (Deep Ensembles), aproximações Bayesianas (ex: Monte Carlo Dropout) e abordagens evidentiais, frequentemente dependem de amostragem estocástica dentro de regiões limitadas da distribuição posterior. Consequentemente, eles podem falhar em capturar o espectro total de potenciais falhas de previsão ou em distinguir adequadamente entre diferentes fontes de incerteza.

Metodologia: QUAM-SM
Os autores propõem o QUAM-SM (Quantificação de Incerteza com Modelos Adversários em Segmentação de Imagens Médicas), um framework post-hoc projetado para identificar pixels "adversariamente frágeis" — regiões onde a decisão de um modelo é facilmente alterada para uma classe incorreta. O framework opera através das seguintes etapas:

1. Segmentação de Referência: Um modelo pré-treinado fixo gera uma segmentação de referência ($y_{ref}$) para uma imagem de teste, assumindo o acesso à distribuição dos dados de treinamento para manter a consistência com o manifold de dados aprendido.
2. Busca de Modelo Adversário: O núcleo do método envolve uma busca adversária direcionada para gerar hipóteses de segmentação alternativas. O algoritmo otimiza um modelo ($\tilde{w}$) usando dois termos de perda complementares:
   • Perda de Penalidade ($L_{pen}$): Impõe consistência com a distribuição de treinamento para garantir que os modelos adversários permaneçam plausíveis (plausibilidade posterior).
   • Perda Adversária ($L_{adv}$): Conduz a previsão em direção a um rótulo alvo específico ($y_{mask}$) para explorar hipóteses alternativas.
     O artigo investiga três estratégias para gerar $y_{mask}$:
   • Máscaras Extremas Globais (GEM): Mapas constantes de todo o fundo ou todo o primeiro plano.
   • Máscaras Baseadas em Treinamento (TBM): Configurações anatômicas realistas amostradas do conjunto de treinamento.
   • Máscaras Aumentadas por Morfologia (MAM): Variações estruturais locais próximas às bordas criadas via operações morfológicas (dilatação/erosão) na predição de referência.
3. Quantificação de Incerteza via Amostragem de Importância de Mistura (MIS): A busca adversária produz um conjunto de pesos de modelos plausíveis. Para derivar uma estimativa estatisticamente consistente da distribuição preditiva, os autores empregam a Amostragem de Importância de Mistura. Os modelos são ponderados com base em sua perda de penalidade nos dados de treinamento, garantindo que modelos que aderem à distribuição de treinamento contribuam de forma mais significativa.
4. Decomposição da Incerteza: Usando as previsões ponderadas, o framework decompõe a incerteza total em dois componentes distintos baseados no framework de Entropia Esperada (EE):
   • Incerteza Aleatória: Representa o ruído dos dados e a variabilidade da anotação (modelada como a entropia esperada das previsões individuais).
   • Incerteza Epistêmica: Representa a incerteza do modelo (modelada como a Informação Mútua ou o desacordo entre as previsões do ensemble ponderado).

Principas Contribuições

1. Framework Inovador: Os autores introduzem um framework de quantificação de incerteza post-hoc para segmentação de imagens médicas que utiliza a busca adversária direcionada para identificar previsões de pixels frágeis.
2. Desmembramento da Incerteza: O método distingue explicitamente a incerteza aleatória da epistêmica, demonstrando melhor consistência com a variabilidade inter-avaliador em múltiplos conjuntos de dados públicos.
3. Cobertura de Posterior Aprimorada: Ao estender o conceito de modelos adversários para o domínio da segmentação, o método alcança uma cobertura melhor da posterior ao destacar pixels mais suscetíveis a serem "certamente falsos", oferecendo um mapa de erro mais sensível do que os métodos tradicionais baseados em densidade.

Resultados Experimentais
O framework QUAM-SM foi avaliado em dois conjuntos de dados públicos com múltiplas anotações de especialistas:

• REFUGE (DR): Imagens de fotografia de fundo de olho com sete anotações independentes para segmentação de disco e escavação óptica.
• QUBIQ2021 (DQ): Volumes de RM de tumor prostático anotados por seis especialistas.

O método foi comparado contra Monte Carlo Dropout, Deep Ensembles, Probabilistic U-Net e o framework de evidência SURE. O desempenho foi medido usando o Coeficiente de Correlação de Pearson (PCC) e o coeficiente de determinação ($R^2$) contra mapas de entropia de referência derivados de múltiplos anotadores, bem como escores de Soft Dice (SDice) para precisão de segmentação.

• Desempenho Quantitativo: O QUAM-SM alcançou os maiores valores de PCC e $R^2$ em todas as categorias de incerteza epistêmica, aleatória e total para ambos os conjuntos de dados, indicando um alinhamento superior com a incerteza de referência. Também superou consistentemente os métodos concorrentes em precisão de segmentação (SDice).
• Estudos de Ablação: Experimentos confirmaram que as Máscaras Aumentadas por Morfologia (MAM) produziram o melhor desempenho entre as estratégias de ataque. Além disso, aumentar o número de iterações adversárias ($M$) melhorou consistentemente o desempenho, com resultados ótimos observados em contagens de iterações mais altas.
• Resultados Qualitativos: Visualizações demonstraram que o QUAM-SM se aproxima de perto dos mapas de entropia de verdade fundamental (ground-truth), capturando com precisão regiões de alta incerteza inter-anotador, particularmente nas bordas.

Significância e Alegações
O artigo afirma que o QUAM-SM aborda a questão crítica das previsões excessivamente confiantes em IA médica ao fornecer um mecanismo para buscar ativamente instabilidades preditivas. Ao desmembrar a incerteza aleatória da epistêmica, o framework oferece uma visão mais matizada da confiabilidade do modelo. Os autores observam que a incerteza aleatória estimada correlaciona-se mais fortemente com a variabilidade inter-avaliador do que a incerteza total, destacando sua relevância específica para capturar a ambiguidade da anotação. Essa capacidade apoia a tomada de decisão clínica mais segura ao distinguir mudanças patológicas reais de artefatos e identificar regiões onde as decisões do modelo são mais vulneráveis. Embora a abordagem exija acesso à distribuição de treinamento, os autores afirmam que ela fornece mapas de incerteza interpretáveis que aprimoram a avaliação do modelo em benchmarks clínicos realistas.