Resumo Técnico: Discriminação de Deslocamento de Reconstrução via Difusão Latente Guiada por Máscara para Detecção de Anomalias Médicas

Declaração do Problema

A detecção de anomalias médicas não supervisionada visa identificar achados patológicos e localizar regiões afetadas utilizando apenas imagens saudas de treinamento. Embora os métodos baseados em reconstrução (ex: autoencoders, GANs e modelos de difusão) sejam dominantes, eles sofrem de uma ambiguidade inerente ao usar resíduos de reconstrução como o único sinal de anomalia. Modelos expressivos podem inadvertidamente preservar estruturas patológicas, levando a respostas fracas sobre lesões reais. Por outro lado, variações anatômicas benignas, ruído de imagem e diferenças de aquisição podem gerar grandes erros de reconstrução em regiões saudáveis. Agregar esses resíduos em um único escore de nível de imagem frequentemente confunde mudanças patológicas com artefatos de reconstrução benignos, tornando difícil distinguir anomalias verdadeiras de variabilidade normal.

Metodologia: Difusão Latente Guiada por Máscara Discriminativa (DMD)

Os autores propõem a Difusão Latente Guiada por Máscara Discriminativa (DMD), um framework que complementa a localização baseada em resíduos com um sinal de nível de imagem aprendido através da discriminação de deslocamento de reconstrução. O método opera em duas etapas distintas:

Etapa 1: Representação Latente Quantizada Normal

Um autoencoder vetorizado-quantizado (VQ-VAE) é treinado em imagens normais para aprender uma representação latente compacta.

• Encoder ($E_\phi$) e Decoder ($D_\eta$): Mapeiam imagens para um espaço latente e as reconstroem.
• Quantização Vetorial: Vetores latentes espaciais são substituídos por suas entradas mais próximas em um código de livros (codebook) aprendível ($C$), criando uma grade discreta $z_q$.
• Objetivo: Minimizar o erro de reconstrução e a perda de compromisso (commitment loss). Após o treinamento, $E_\phi$, $D_\eta$ e $C$ são congelados para garantir um espaço latente estável para a etapa subsequente.

Etapa 2: Difusão Latente Guiada por Máscara + Discriminação de Deslocamento de Reconstrução

Esta etapa treina conjuntamente um modelo de difusão latente e um classificador usando o encoder/decoder congelado.

1. Difusão Latente Guiada por Máscara:

   • Máscaras quadradas localizadas ($M$) são aplicadas à grade latente quantizada $z_0$, selecionando regiões específicas para perturbação.
   • Um processo de difusão direta adiciona ruído Gaussiano apenas às regiões mascaradas, deixando as regiões não mascaradas como contexto limpo.
   • Uma rede de denoising ($\epsilon_\omega$) prevê o ruído e reconstrói o latente limpo $\hat{z}_0$.
   • O decoder mapeia este latente restaurado de volta para o espaço da imagem, produzindo um "contraparte reconstruída" ($x_r$) da imagem normal original ($x$).
   • A perda de difusão ($L_{diff}$) é computada apenas sobre as posições mascaradas.

2. Discriminação de Deslocamento de Reconstrução:

   • Uma tarefa de classificação autossupervisionada é definida onde a imagem normal original $x$ é rotulada como classe 0, e sua contraparte reconstruída $x_r$ (que contém um "deslocamento" induzido pela difusão mascarada) é rotulada como classe 1.
   • Um classificador ($f_\psi$) aprende a distinguir entre a original e a reconstrução deslocada.
   • A perda de classificação ($L_{cls}$) fornece feedback discriminativo para a rede de denoising, incentivando o modelo a produzir reconstruções que sejam distintas das entradas originais, mas que permaneçam anatomicamente plausíveis.
   • A perda total é $L_{stage2} = L_{diff} + \lambda L_{cls}$.

Inferência de Nível Duplo

No momento do teste, o DMD fornece duas saídas complementares:

1. Detecção de Nível de Imagem: O classificador $f_\psi$ processa diretamente a imagem de teste para fornecer um escore de anomalia $S_{img}$, representando a probabilidade de a imagem se assemelhar a um "deslocamento de reconstrução" em vez de uma original normal.
2. Localização de Nível de Pixel: A imagem de teste é codificada e quantizada. Máscaras sobrepostas são aplicadas através da grade latente, e o denoiser reconstrói a imagem para cada máscara. O mapa de anomalia de nível de pixel é gerado agregando os resíduos (diferenças absolutas) entre a entrada e as várias contrapartes reconstruídas, calculados pela média sobre as regiões sobrepostas.

Principais Contribuições

1. Discriminação de Deslocamento de Reconstrução: Os autores identificam e implementam um sinal autossupervisionado baseado apenas em dados normais que aprende um escore de anomalia de nível de imagem a partir de reconstruções de difusão mascarada. Isso complementa a localização baseada em resíduos tradicional sem exigir dados patológicos de treinamento.
2. Framework DMD: Uma arquitetura unificada onde o mascaramento latente localizado e a difusão latente impulsionam simultaneamente tanto a detecção de nível de imagem quanto a localização de nível de pixel. O framework utiliza um único processo de restauração para gerar tanto o sinal discriminativo (para o classificador) quanto as pistas espaciais (para o mapa de resíduos).
3. Desempenho de Estado da Arte: O método demonstra desempenho superior em cinco conjuntos de dados de imagem médica diversos (MRI cerebral, ultrassom de mama e radiografia de tórax).

Resultados Experimentais

O artigo avalia o DMD em cinco conjuntos de dados: BraTS2021, IXI/ATLAS 2.0, WMH, BUSI e VinDr-CXR.

• Detecção de Nível de Imagem: O DMD alcançou os maiores valores de AUC, AP e F1 em todos os conjuntos de dados. Por exemplo, no BraTS2021, o DMD alcançou uma AUC de 87,2%, superando o baseline mais forte (MAD-AD) em 1,1% e melhorando o F1 em 3,1%. No VinDr-CXR, atingiu uma AUC de 84,3%, enquanto no BUSI alcançou uma AUC de 93,8% e um AP de 96,0%.
• Localização de Nível de Pixel: O DMD superou consistentemente métodos clássicos de reconstrução (AE, VAE, f-AnoGAN) e baselines recentes baseados em difusão (AnoDDPM, AutoDDPM, MAD-AD) em termos de AP$_{pix}$ e pontuações de Dice. No BraTS2021, o DMD alcançou um escore de Dice de 76,3%, significativamente superior ao próximo melhor método (MAD-AD com 69,6%).
• Robustez entre Conjuntos de Dados: Quando aplicado ao conjunto de dados WMH sem retreinamento (treinado no BraTS2021), o DMD manteve um forte desempenho, sugerindo generalização para diferentes tipos de lesões e características de aquisição.
• Análise Qualitativa: As visualizações mostraram que o DMD produz mapas de anomalia mais nítidos e espacialmente coerentes, que se alinham melhor com os limites das lesões do ground-truth, particularmente para anormalidades sutis e de baixo contraste, onde outros métodos produziram respostas dispersas ou fracas.
• Estudos de Ablação: Remover o classificador, o feedback discriminativo, a fase de pré-treinamento, a estratégia de mascaramento ou o componente de difusão latente resultou em degradação do desempenho, confirmando a necessidade de cada componente. Especificamente, remover a difusão latente causou a queda mais significativa, destacando seu papel na modelagem de variações anatômicas.

Significância e Alegações

O artigo afirma que o DMD aborda a ambiguidade fundamental de usar um único resíduo de reconstrução tanto para detecção quanto para localização. Ao desacoplar as tarefas — usando um classificador aprendido para discriminação de nível de imagem e resíduos para localização de nível de pixel — o framework aproveita as forças de ambas as abordagens.

Os autores enfatizam que o sinal de nível de imagem é derivado inteiramente de dados de treinamento normais através do conceito de "deslocamento de reconstrução", evitando a necessidade de anotações patológicas. Embora o método alcance resultados de estado da arte, o artigo nota modestamente uma limitação: o sinal de nível de imagem depende de uma política de mascaramento fixa, e sua transferibilidade para patologias e condições de aquisição não vistas requer estudos mais amplos. Trabalhos futuros são propostos para explorar a construção de deslocamento adaptativo e avaliações multicêntricas.