MSA-DCNN: A Data-Efficient Multi-Scale Deformable CNN for Medical Image Classification

Resumo Técnico: MSA-DCNN

Problema
Os métodos existentes de aprendizagem profunda para classificação de imagens médicas enfrentam dois desafios primários: a incapacidade de lidar eficazmente com a variabilidade morfológica multiescala devido a mecanismos de amostragem fixos, e o baixo desempenho sob condições de dados anotados limitados. As Redes Neurais Convolucionais (CNNs) padrão herdam campos receptivos fixos e amostragem uniforme, que frequentemente falham em alinhar-se com as texturas heterogêneas e a variabilidade estrutural inerentes às imagens médicas (ex: radiografia, histopatologia e microscopia). Embora existam remédios anteriores, como módulos de atenção e designs multiescala, eles frequentemente dependem de agregação global que obscurece pistas sutis, mantêm kernels fixos que não adaptam a amostragem entre escalas e carecem de supervisão interna para fortalecer camadas rasas em regimes de dados limitados. Além disso, abordagens existentes tipicamente tratam a amostragem adaptativa, a atenção e a fusão de forma isolada, em vez de conjunta.

Metodologia
Os autores propõem o MSA-DCNN (Rede Neural Convolucional Deformável com Atenção Multiescala), um framework unificado projetado para aprendizagem consistente de escala sob heterogeneidade estrutural e escassez de rótulos. A arquitetura é construída em torno de três princípios estabelecidos integrados em um único esquema de otimização:

1. Otimização de Campo Receptivo Adaptativo: O modelo emprega convoluções deformáveis dentro de estágios Inception compactos. Em vez de grades fixas, deslocamentos aprendíveis ($\Delta p_k$) permitem que a grade de amostragem se desloque adaptativamente em cada escala, alinhando-se melhor com padrões estruturalmente heterogêneos.
2. Refinamento de Saliência Específico de Escala: Dentro de cada ramo deformável, um Módulo de Atenção de Bloco Multicanal (MCBAM) com pooling de sub-bloco é aplicado. Este módulo realiza recalibração de canal e espacial para preservar detalhes morfológicos finos. Ele utiliza pooling de sub-bloco para melhorar a eficiência computacional enquanto regulariza as distribuições de características sob supervisão limitada.
3. Integração de Escala Cruzada Sensível ao Conteúdo: As características de diferentes escalas são projetadas para uma resolução comum e fundidas via um mecanismo de atenção multiescala aprendido. Este operador computa pesos dependentes do conteúdo entre as escalas para gerar uma representação unificada.
4. Autodestilação Auxiliar: Para abordar a escassez de rótulos, um cabeçalho auxiliar anexado ao primeiro estágio impõe o alinhamento semântico entre escalas. Ao minimizar a divergência KL entre as representações rasas e profundas (via soft-max escalonada por temperatura), o modelo alinha os manifolds semânticos através dos níveis de resolução, atuando como uma restrição geométrica que regulariza os deslocamentos deformáveis iniciais.

O objetivo total de treinamento combina cross-entropy ponderada por classe, focal loss (para desequilíbrio de classes) e a perda de autodestilação.

Principais Contribuições
O artigo introduz um framework de CNN compacto que aprende conjuntamente onde amostrar, o que enfatizar e como combinar características. As contribuições específicas incluem:

• Um framework de aprendizagem consistente de escala que integra amostragem adaptativa, refinamento de saliência intra-escala e fusão de escala aprendida.
• O módulo MCBAM, que refina características dentro de cada ramo deformável usando pooling de sub-bloco para manter eficiência e detalhamento.
• Um operador de atenção multiescala aprendido que realiza seleção adaptativa ao conteúdo através de embeddings projetados, um mecanismo não explicitamente estudado em CNNs baseadas em deformação ou atenção anteriores.
• A integração de autodestilação para impor o alinhamento semântico entre escalas, promovendo uma geometria de representação coerente e melhorando o desempenho em regimes de baixos rótulos.

Resultados
Os autores avaliaram o MSA-DCNN em três benchmarks públicos (C-NMC para células de leucemia, PBC para células sanguíneas periféricas e ISIC-2020 para imagens dermoscópicas) e um conjunto de dados externo de leucemia de retenção. As principais descobertas incluem:

• Desempenho: O MSA-DCNN demonstrou desempenho competitivo e frequentemente superior em comparação com baselines de Vision Transformer (ViT) (ex: DeiT-S, DINOv2-S), CNNs compactas (Inception-v3, EfficientNet-B3), baselines de convolução deformável (DGConv) e métodos semissupervisionados (TS-MS).
• Métricas: O modelo alcançou maior Acurácia, F1-scores e AUC (para tarefas binárias) em todos os datasets. Por exemplo, no dataset C-NMC, alcançou um AUC de 0,96 (vs. 0,94 para DGConv) e no ISIC-2020, um AUC de 0,97.
• Eficiência: Apesar da complexidade adicionada de atenção e mecanismos deformáveis, o MSA-DCNN utilizou significativamente menos parâmetros (5,25M) comparado à maioria dos baselines (variando de 7,98M a 23,9M).
• Robustez: O modelo manteve o desempenho sob mudanças de distribuição (testado no conjunto de retenção externo) e mostrou melhor eficiência de rótulo, superando os baselines quando treinado com frações reduzidas de dados rotulados (20%–50%).
• Estudos de Ablação: Experimentos confirmaram que cada componente (Convolução Deformável, Atenção Específica de Escala, Atenção Multiescala e Autodestilação) contribui de forma aditiva para o desempenho final, com a configuração completa gerando os melhores resultados.

Significância
O artigo afirma que o MSA-DCNN serve como uma fundação prática para a classificação de imagens médicas com eficiência de dados. Ao unificar amostragem adaptativa, atenção e fusão sob um único objetivo, o framework aborda as limitações de amostragem fixa e treinamento dependente de grandes volumes de dados. Os autores postulam que a abordagem de consistência de escala permite que o modelo generalize efetivamente para anatomias estruturalmente heterogêneas mesmo com anotações limitadas. Os resultados sugerem que o método proposto oferece uma alternativa robusta tanto para CNNs padrão quanto para Transformers de grande escala para tarefas médicas onde a escassez de dados e a variabilidade morfológica são restrições críticas. O trabalho futuro foca em inferência consciente de incerteza e interpretabilidade aprimorada para suporte à decisão clínica.