MLFFM-SegDiff: A Multi-Level Feature Fusion Diffusion Model for Skin Lesion Segmentation

Resumo Técnico: MLFFM-SegDiff

Declaração do Problema
A segmentação de lesões cutâneas é um pré-requisito crítico para o diagnóstico dermatológico auxiliado por computador, influenciando diretamente a subsequente extração de características e classificação de doenças. No entanto, alcançar uma segmentação precisa em imagens dermoscópicas continua sendo um desafio devido a vários fatores: limites de lesão borrados ou ambíguos, baixo contraste entre as lesões e a pele circundante, variações significativas na forma e no tamanho da lesão, e interferência de artefatos como pelos, sombras e reflexos. Embora modelos de difusão recentes tenham mostrado promessa na segmentação de imagens médicas através de suas capacidades de denoising progressivo, os métodos de difusão existentes para lesões cutâneas frequentemente sofrem com interação insuficiente de características entre níveis e recuperação inadequada de detalhes de borda.

Metodologia
O artigo propõe o MLFFM-SegDiff, um modelo de difusão de fusão de características de múltiplos níveis projetado para abordar as limitações dos atuais frameworks de segmentação. Construído sobre um framework de difusão condicional onde a imagem dermoscópica serve como guia e a máscara da lesão é recuperada via denoising reverso iterativo, a arquitetura introduz três inovações primárias:

1. Codificador U-Net de Caminho Duplo (Dual-Path U-Net Encoder): Diferente das estratégias de fusão padrão, o modelo emprega um codificador de caminho duplo para modelar conjuntamente o ramo da máscara ruidosa e o ramo de orientação da imagem. Esta estrutura melhora a interação entre as características da imagem original e as características da máscara ruidosa durante o processo de extração. O codificador processa as características através de blocos residuais e atenção linear, gerando dois tipos de características de skip: características de skip diretas ($h_i$) para preservação de informação local e características de skip aprimoradas por orientação ($b_i$) para fusão adicional.
2. Módulo de Fusão de Características de Múltiplos Níveis (MLFFM): Para superar as limitações das conexões de skip convencionais de mesmo nível, o MLFFM é inserido entre o codificador e o decodificador. Este módulo processa as características de skip aprimoradas ($b_i$) através de:
   • Aprimoramento de Atenção: Aplicando atenção espacial e de canal para enfatizar regiões e canais informativos.
   • Alinhamento de Escala: Alinhando as características de diferentes níveis do codificador para uma resolução espacial comum usando pooling adaptativo ou interpolação bilinear.
   • Fusão de Níveis Cruzados (Cross-Level Fusion): Fundindo as características alinhadas via multiplicação elemento a elemento e transformações convolucionais.
     Isso permite que o decodificador explore conjuntamente detalhes de borda rasos e representações semânticas profundas de múltiplos níveis simultaneamente.
3. Perda Sensível à Borda Configurável (Configurable Boundary-Sensitive Loss): O objetivo de treinamento incorpora uma estratégia de ponderação sensível à borda. Um mapa de atenção de borda atribui pesos mais altos a pixels próximos ao contorno da lesão. Este termo é configurável; quando habilitado, ele encoraja o modelo a priorizar bordas de lesão ambíguas durante o processo de denoising sem comprometer a estabilidade geral.

Principais Contribuições
O artigo delineia três contribuições principais:

1. A proposta do MLFFM-SegDiff, um novo modelo de difusão que integra extração de características de caminho duplo, fusão de características de skip de múltiplos níveis e otimização consciente de bordas especificamente para segmentação de lesões cutâneas.
2. O design de componentes arquitetônicos específicos: um codificador U-Net de caminho duplo para fortalecer a interação de características, o MLFFM para aprimorar a representação semântica e de borda de nível cruzado, e um termo de perda sensível à borda configurável.
3. Validação experimental extensiva demonstrando que o método proposto supera os baselines representativos (DermoSegDiff, Generic U-Net, SwinUNETR e U-Net) através de múltiplas métricas de avaliação em três conjuntos de dados públicos.

Resultados Experimentais
O método foi avaliado nos conjuntos de dados ISIC2018, PH2 e HAM10000 usando validação cruzada de cinco dobras (five-fold cross-validation). O desempenho foi medido usando Acurácia, F1-score, índice Jaccard, Precisão, Recall, Especificidade e coeficiente Dice.

• Desempenho Geral: O MLFFM-SegDiff alcançou o melhor desempenho médio em todos os três conjuntos de dados. O índice Jaccard médio atingiu 0.8546, e o coeficiente Dice médio atingiu 0.9207.
• Especificidades do Conjunto de Dados:
  • No ISIC2018, o modelo alcançou a maior Acurácia (0.9504), F1-score (0.8877), Jaccard (0.7985), Recall (0.9199) e Dice (0.8877).
  • No PH2 e HAM10000, o método proposto alcançou o melhor desempenho em todas as sete métricas de avaliação.
• Estudos de Ablação: Experimentos confirmaram que a combinação do Dual-Path U-Net (D-U-Net), MLFFM e Edge Loss produz os melhores escores de Dice e sensibilidade, particularmente no PH2 e HAM10000, indicando a natureza complementar destes módulos.
• Análise Visual: Resultados qualitativos mostram que o MLFFM-SegDiff produz máscaras que aderem mais proximamente às regiões alvo, particularmente em casos com bordas irregulares ou aparências ambíguas, comparado aos métodos baseline.

Significância e Alegações
O artigo afirma que o MLFFM-SegDiff fornece uma abordagem viável e eficaz para a segmentação automática de lesões cutâneas ao melhorar efetivamente a sobreposição da região da lesão e o desempenho de recall. Os autores afirmam que o mecanismo de fusão de características de múltiplos níveis proposto aborda com sucesso o desafio de integrar detalhes de borda rasos com estruturas semânticas profundas, o que é frequentemente insuficiente nos métodos baseados em difusão existentes.

Os autores mantêm uma postura modesta em relação às limitações de seu trabalho. Eles reconhecem que, embora o método melhore a sobreposição e o recall, a Precisão e a Especificidade no conjunto de dados ISIC2018 não foram as mais altas entre os métodos comparados, sugerindo espaço para melhoria na supressão de fundo e controle de bordas finas. Além disso, observam que o processo de denoising iterativo inerente aos modelos de difusão pode resultar em custos computacionais mais elevados em comparação com redes feed-forward. O trabalho futuro é proposto para focar em estratégias de amostragem eficientes e validação mais ampla em conjuntos de dados clínicos multicêntricos maiores.