Interpretable Probabilistic Medical Image Segmentation via Gaussian Process with Explicit Modelling of Annotation Bias and Variability

Resumo Técnico: Segmentação de Imagens Médicas Probabilística Interpretável via Processo Gaussiano com Modelagem Explícita de Viés e Variabilidade de Anotação

Problema
A segmentação de imagens médicas baseada em aprendizagem profunda depende de dados anotados que contêm inerentemente vieses sistemáticos e variabilidade entre diferentes avaliadores. Embora as abordagens probabilísticas multi-avaliador existentes possam emular delineações específicas de cada anotador, elas tipicamente codificam as características do anotador implicitamente dentro de espaços de características latentes profundas. Essa codificação implícita torna difícil analisar diretamente como os vieses e as variabilidades de avaliadores específicos propagam-se para as distribuições preditivas. Consequentemente, distinguir entre a incerteza decorrente da ambiguidade intrínseca da imagem e aquela induzida por uma supervisão imperfeita continua sendo um desafio, limitando a capacidade de otimizar estratégias de curadoria de conjuntos de dados ou mitigar fontes específicas de erro em ambientes clínicos de alta criticidade.

Metodologia
Os autores propõem um framework de segmentação probabilística no espaço de logits baseado em Processos Gaussianos Estocásticos Variacionais (SVGP) que decompõe explicitamente as predições em uma distribuição de referência dependente da imagem e perturbações específicas do anotador.

1. Reformulação no Espaço de Logit: O modelo separa a distribuição preditiva $p(y|x, a)$ em uma distribuição de logit de referência $l^{(0)}$ (representando uma supervisão ideal e livre de ruído baseada puramente no conteúdo da imagem) e perturbações específicas do anotador. As anotações observadas são modeladas como perturbações aditivas aos logits de referência, parametrizadas por um viés $\mu_a$ e uma variância $\sigma^2_a$ específicos do anotador.
   $$p(l | l^{(0)}, a) = \prod_{i=1}^P \mathcal{N}(l^{(0)}_i + \mu_a, \sigma^2_a)$$
   Esta formulação permite que a incerteza intrínseca da imagem ($p(l^{(0)}|x)$) seja destilada das mudanças e dispersões induzidas pela supervisão.

2. Processo Gaussiano de Kernel Profundo: Os logits de referência $l^{(0)}$ são modelados usando um Processo Gaussiano (GP) com um kernel profundo. Um extrator de características convolucional (U-Net) mapeia as imagens de entrada para características latentes, que servem como entradas para o GP. O prior do GP é definido sobre essas características usando um kernel simétrico semidefinido positivo (ex: RBF).

3. Inferência Variacional Estocástica: Para lidar com a intratabilidade computacional da inferência exata de GP em grandes conjuntos de dados pixel a pixel ($N = V \times P$), os autores utilizam Processos Gaussianos Variacionais Estocásticos (SVGP). Isso utiliza $M$ pontos de indução para aproximar a distribuição posterior, permitindo um treinamento escalável.

4. Probabilidade Preditiva de Forma Fechada: Uma vantagem fundamental desta formulação é a derivação de uma probabilidade preditiva de forma fechada para segmentação binária. Ao integrar as perturbações gaussianas sobre a distribuição preditiva do GP, o modelo gera:
   $$p_{*,a} = \Phi\left( \frac{\tau + \mu_a}{\sqrt{1 + \eta^2 + \sigma^2_a}} \right)$$
   onde $\tau$ e $\eta^2$ são a média e a variância do logit de referência, e $\Phi$ é a função de distribuição cumulativa da normal padrão (link probit inverso).

5. Objetivo de Treinamento: O modelo é treinado usando uma função de perda que combina Entropia Cruzada Binária (BCE), divergência KL (para a aproximação variacional) e uma perda Dice suave (soft Dice loss). Os parâmetros aprendíveis incluem os pesos do extrator de características, hiperparâmetros do kernel, entradas de indução, parâmetros variacionais e os parâmetros explícitos de viés e variância para cada anotador.

Principais Contribuições

• Parametrização Explícita: O framework parametriza explicitamente o viés e a variância do anotador no espaço de logit, afastando-se de representações latentes implícitas.
• Interpretabilidade e Análise de Sensibilidade: A solução de forma fechada permite uma análise de sensibilidade direta, permitindo que pesquisadores quantifiquem como mudanças no viés e na variabilidade do anotador influenciam sistematicamente o desempenho preditivo e a calibração da incerteza.
• Calibração de Incerteza: O método visa melhorar a calibração das probabilidades preditivas ao modelar explicitamente as fontes de ruído, distinguindo a ambiguidade da imagem da inconsistência da anotação.

Resultados Experimentais
O método foi avaliado em um conjunto de dados multi-anotador de imagens de ultrassonografia transretal (TRUS) contendo anotações da glândula prostática de três pesquisadores e uma referência clínica de alta qualidade.

• Desempenho de Calibração: O modelo SVGP proposto alcançou o menor Erro de Calibração Esperado (ECE) e a menor Log-Verossimilhança Negativa (NLL) entre todos os anotadores em comparação com as linhas de base de U-Net individuais e o estado da arte Pionono. Notavelmente, para o Anotador 2, a NLL melhorou significativamente (de 0.578/0.753 nas linhas de base para 0.146).
• Precisão de Segmentação: O modelo SVGP manteve uma precisão de segmentação (escore Dice e HD95) comparável ao Pionono, demonstrando que a melhoria na calibração não ocorre às custas do desempenho de segmentação.
• Viés/Variância Quantitativo: Os parâmetros aprendidos refletiram quantitativamente o comportamento do anotador. Por exemplo, uma variância aprendida $\sigma_a$ maior correspondeu a métricas de desempenho piores no respectivo U-Net determinístico, sugerindo que o modelo captura com sucesso a variabilidade intra-avaliador.
• Experimentos de Perturbação: Experimentos controlados variando os parâmetros de viés e variância revelaram que a calibração preditiva (ECE) é significamente mais sensível ao viés sistemático ($\mu$) do que à variância ($\sigma^2$), indicando que o desacordo inter-avaliador tem um impacto maior na confiabilidade do que a variabilidade intra-avaliador.

Significância e Alegações
O artigo afirma que este framework fornece uma ferramenta interpretável para compreender como a variabilidade da anotação se propaga para as predições do modelo. Ao separar explicitamente a incerteza dependente da imagem do ruído induzido pela anotação, a abordagem oferece insights práticos para a curadoria de conjuntos de dados sob orçamentos fixos de rotulagem. Especificamente, permite que profissionais avaliem se reduzir o viés sistemático inter-avaliador ou abordar a variabilidade intra-avaliador seria mais eficaz para melhorar a confiabilidade preditiva. Os autores observam que, embora a avaliação atual seja limitada a um cenário clínico específico, o framework oferece uma base para trabalhos futuros envolvendo desacordos espacialmente correlacionados e segmentação multi-classe.