EFIQA: Explainable Fundus Image Quality Assessment via Anatomical Priors

Resumo Técnico: EFIQA – Avaliação de Qualidade de Imagem de Fundo de Olho Explicável via Priores Anatômicos

Problema
A avaliação de qualidade de imagem médica (IQA) é crítica para aplicações clínicas subsequentes e pipelines de pré-processamento de IA. Os métodos de estado da arte atuais para Fotografia de Fundo de Olho Colorida (CFP) são predominantemente classificadores supervisionados treinados em conjuntos de dados com rótulos de qualidade específicos. Essa abordagem sofre de duas limitações fundamentais:

1. Falta de Generalização: As definições de qualidade são subjetivas e dependentes da tarefa (por exemplo, uma mácula subexposta pode ser aceitável para triagem de glaucoma, mas crítica para triagem de AMD). Modelos treinados em critérios de rotulagem específicos falham ao generalizar para conjuntos de dados com diferentes critérios ou condições de aquisição.
2. Falta de Explicabilidade: Os métodos existentes produzem um único escore ou classe por imagem, não fornecendo feedback espacial sobre onde a qualidade está degradada. Métodos de atribuição post-hoc (ex: GradCAM) frequentemente ativam em regiões discriminativas em vez de regiões de degradação e carecem de significado clínico preciso e fundamentado.

Metodologia: Estrutura EFIQA
Os autores propõem o EFIQA, uma estrutura que avalia a qualidade da imagem de fundo de olho medindo desvios de estruturas anatômicas esperadas, em vez de aprender "como a degradação se parece" a partir de rótulos humanos. A abordagem é livre de rótulos quanto à supervisão de qualidade e opera em dois estágios:

1. Estágio 1: Detecção de Anomalias Vascular Não Supervisionada (VUAD)

   • Objetivo: Treinar um detector de anomalias não supervisionado para aprender a topologia da vasculatura retiniana, uma estrutura anatômica ubíqua altamente suscetível a degradações de imagem comuns.
   • Mecanismo: O modelo é treinado em mapas de segmentação de vasos derivados de imagens de alta qualidade usando um objetivo de inpainting anatômico mascarado.
   • Relaxamento Progressivo: Para evitar o "colapso de identidade" (onde o modelo simplesmente copia pixels não mascarados), uma estratégia de mascaramento progressivo é empregada. O treinamento começa com razões de mascaramento elevadas ($\gamma \in [0.8, 1.0]$) para forçar o aprendizado estrutural, expandindo-se linearmente para $\gamma \in [0.0, 1.0]$.
   • Saída: A rede prevê o resíduo (estrutura ausente) para um dado input. A magnitude deste resíduo forma um mapa de anomalias, destacando regiões onde a visibilidade anatômica está comprometida (ex: vasos ausentes ou borrados).

2. Estágio 2: Destilação para um Adaptador de Modelo de Fundação

   • Objetivo: Destilar o conhecimento do prior anatômico do modelo VUAD para um adaptador leve que opera em características de um Modelo de Fundação (FM) congelado. Isso melhora a generalização e reduz a dependência do passo intermediário de segmentação de vasos durante a inferência.
   • Mecanismo:
     • Um FM congelado extrai características densas de nível de patch ($Z$) da imagem de fundo de olho de entrada.
     • O modelo VUAD gera pseudo-rótulos (mapas de anomalia binários) para um conjunto de dados de qualidade mista.
     • Um adaptador treinável ($g_\psi$) é treinado para prever esses pseudo-rótulos a partir das características do FM usando uma perda de Entropia Cruzada Binária (BCE) balanceada por classe.
   • Inferência: O adaptador produz um mapa de escore de qualidade por patch ($Q$). Este mapa pode ser agregado via uma camada de pooling linear leve para gerar um escore de nível de imagem ou usado diretamente para localização espacial.

Principais Contribuições

1. Enquadramento Inovador: Os autores reformulam a IQA como um desvio da aparência anatômica esperada, fundamentando a tarefa na anatomia objetiva em vez de rótulos subjetivos.
2. Abordagem Livre de Rótulos e Explicável: O EFIQA não requer supervisão explícita relacionada à qualidade (rótulos manuais ou degradação sintética) e produz mapas de qualidade espaciais por design.
3. Arquitetura de Dois Estágios: A combinação de uma rede de reconstrução vascular não supervisionada e um processo de destilação em um adaptador de modelo de fundação permite um desempenho robusto e generalizável.
4. Generalização Superior: Avaliações externas demonstram que esta abordagem supera métodos supervisionados em benchmarks com critérios de qualidade variados.

Resultados Experimentais
O método foi avaliado em quatro conjuntos de dados públicos (MSHF, mBRSET, DRIMDB, EyeQ) e um conjunto de dados interno, comparando-se contra métodos específicos de fundo de olho supervisionados (ex: MCF-Net, FGR-Net), métodos de IQA supervisionados gerais (MANIQA, TOPIQ) e baselines não supervisionados (NIQE, IL-NIQE).

• Datasets Externos (MSHF, DRIMDB, mBRSET): O EFIQA alcançou o melhor desempenho médio em todos os métricas (Acurácia Balanceada, F1, MCC, AUROC, AUPRC). Notavelmente, alcançou um Coeficiente de Correlação de Matthews (MCC) de 73,14%, superando o segundo melhor método supervisionado (FGR-Net, 69,71%). Demonstrou robustez mesmo no desafiador dataset mBRSET, onde outros métodos tiveram dificuldades com o desbalanceamento de classes.
• Benchmark EyeQ: O EFIQA alcançou uma acurácia competitiva (87,55%), ligeiramente abaixo de modelos totalmente supervisionados treinados end-to-end no EyeQ (ex: FGR-Net com 89,58%), mas superando outros métodos adaptados como TOPIQ e ARNIQA. Crucialmente, é o único método nesta comparação que fornece um mapa de qualidade preciso.
• Análise Qualitativa: Visualizações mostram que o EFIQA produz escores baixos estáveis para imagens de alta qualidade e localiza precisamente regiões degradadas (ex: artefatos de iluminação, desfoque) em imagens de baixa qualidade. Em contraste, o VUAD sozinho às vezes perde áreas degradadas onde os vasos estão visíveis, mas borrados, e métodos supervisionados como o MCF-Net frequentemente fornecem ativações grosseiras e dispersas.
• Estudo de Ablação: O estudo confirmou que, embora a densidade vascular simples seja um baseline forte, o modelo VUAD adiciona explicabilidade (mapas locais) com um custo leve ao desempenho bruto, que é totalmente recuperado e melhorado pelo passo de destilação.

Significância e Alegações
O artigo afirma que o EFIQA oferece uma alternativa generalizável e explicável à IQA "caixa-preta" supervisionada. Ao alavancar priores anatômicos, a estrutura evita a fragilidade associada à mudança nos critérios de rotulagem. Os autores enfatizam que, embora o método forneça escores de severidade em nível local, ele é projetado para ser adaptável a critérios clínicos específicos com ajuste mínimo.

Os autores observam limitações, especificamente que o uso de vasos como o único prior pode causar ativações falsas em regiões naturalmente pobres em vasos (ex: a fóvea) ou lesões isquêmicas. Eles sugerem que trabalhos futuros poderiam incorporar outros priores anatômicos (mácula, disco óptico) ou estruturas patológicas para melhorar a especificidade. O artigo conclui que esta estrutura é aplicável a qualquer cenário de imagem onde a visibilidade anatômica define a qualidade, como camadas retinianas de OCT ou marcos de radiografia de tórax.