Performance of Frangi-Hessian Pseudo-Labels for Retinal Vessel Segmentation in AI-Assisted Retinopathy of Prematurity Screening

Resumo Técnico: Desempenho de Pseudo-Rótulos Frangi–Hessian para Segmentação de Vasos Retinianos em Triagem de Retinopatia da Prematuridade Assistida por IA

Definição do Problema
A Retinopatia da Prematuridade (ROP) é uma das principais causas de cegueira evitável, particularmente em ambientes de recursos limitados, onde os recursos de triagem são escassos. O diagnóstico preciso depende fortemente da avaliação da dilatação vascular e da tortuosidade ("doença Plus"), o que exige uma segmentação precisa dos vasos retinianos. No entanto, o desenvolvimento de ferramentas de triagem baseadas em IA é dificultado pelo "gargalo de rotulagem": a anotação manual de máscaras de vasos retinianos é laboriosa, sujeita à variabilidade interobservador e difícil de escalar para grandes conjuntos de dados. Embora modelos de aprendizado profundo supervisionados tenham um bom desempenho com abundância de dados rotulados, a escassez de imagens vasculares neonatais anotadas por especialistas exige estratégias alternativas de eficiência de rótulos.

Metodologia
O estudo propõe um framework de aprendizado híbrido que integra o processamento de imagem clássico ao aprendizado profundo moderno para abordar a escassez de anotações de verdade de campo (GT - ground truth). A metodologia consiste em três componentes principais:

1. Pipeline de Auto-Anotação Automática:
   Um pipeline de nove etapas gera pseudo-máscaras de vasos para imagens não rotuladas utilizando uma abordagem dupla Frangi–Hessian. O processo inclui:

   • Pré-processamento: Extração do canal verde (maior contraste de vasos), redimensionamento para 512×512, redução de ruído preservando bordas (filtro bilateral) e realce de contraste local (CLAHE).
   • Normalização e Nitidez: Subtração de fundo por rolling-ball para corrigir a iluminação e máscara de nitidez (unsharp masking) para acentuar as cristas dos vasos.
   • Realce de "Vesselness" (Vascularidade): Aplicação de filtros Frangi e Hessian baseados nos autovalores da matriz Hessiana para quantificar a probabilidade de estruturas tubulares.
   • Refinamento: Limiarização adaptativa, operações morfológicas para remover artefatos e esqueletização para gerar máscaras binárias representando tanto os lúmens vasculares quanto as linhas centrais.

2. Arquiteturas de Modelos:
   Cinco arquiteturas de segmentação distintas foram avaliadas: BioSwinFuseNet (uma fusão customizada de SwinV2-ConvNeXt), UNet, Feature Pyramid Network (FPN), LinkNet e SegFormer (um codificador baseado em transformer).

3. Regimes de Treinamento:
   Cada arquitetura foi treinada sob três condições distintas de supervisão:

   • Apenas GT (GT-only): Treinado exclusivamente em máscaras rotuladas por especialistas.
   • Apenas Self (Self-only): Treinado exclusivamente nas pseudo-máscaras geradas.
   • Híbrido (Hybrid): Treinado em uma combinação de GT e pseudo-máscaras usando uma função de perda ponderada ($L = 0,7L_{GT} + 0,3L_{Self}$).
     Todos os modelos utilizaram uma perda de topologia (topology-aware loss) combinando entropia cruzada binária, perda de Dice e penalidades de continuidade.

Resultos Principais

• Características das Pseudo-Rótulos: As máscaras auto-geradas exibiram diferenças sistemáticas em comparação com o GT de especialistas. Elas mostraram menor fração vascular (0,021 vs. 0,082) e diâmetros médios de vasos significativamente mais finos (2,01 px vs. 7,47 px), indicando que capturaram o núcleo do vaso em vez de suas bordas completas. No entanto, preservaram características topológicas globais, com densidade de ramificação e dimensão fractal comparáveis ao GT.
• Desempenho dos Regimes de Treinamento:
  • Modelos "Self-only" apresentaram desempenho insatisfatório (Dice ≈ 0,005), confirmando que as pseudo-máscaras sozinhas carecem da precisão necessária para implantação clínica.
  • Modelos Híbridos superaram consistentemente as abordagens de apenas GT e apenas Self em todas as arquiteturas.
  • Melhores Desempenhos: O modelo SegFormer-Hybrid alcançou a maior sensibilidade geral (0,70) e AUC (0,94). O modelo BioSwinFuseNet-Hybrid demonstrou o aumento relativo mais significativo, mostrando um incremento de 122% no escore Dice em relação ao seu correspondente de apenas GT.
  • Estabilidade: O FPN-Hybrid apresentou a menor variância, enquanto o UNet-Hybrid manteve uma generalização forte com alta especificidade (0,97).

Significância e Alegações
O artigo alega que o paradigma híbrido oferece uma solução escalável para o desenvolvimento de ferramentas de triagem de ROP automatizadas em ambientes onde a rotulagem por especialistas é limitada. Ao integrar os priors topológicos derivados de filtros Frangi–Hessian clássicos com o poder representacional de redes neurais profundas, o estudo demonstra que as máscaras auto-anotadas podem aumentar significativamente o aprendizado supervisionado.

Os autores concluem que, embora as pseudo-rótulos sejam imperfeitas (sub-segmentando pequenos vasos e suavizando a curvatura), elas fornecem informações estruturais suficientes para impulsionar o aprendizado. Esta abordagem permite que os modelos aprendam padrões vasculares generalizados sem depender exclusivamente de anotações de especialistas, que são escassas e caras. O estudo posiciona este framework híbrido como um caminho prático para escalar a triagem de ROP assistida por IA, particularmente em cenários clínicos de recursos limitados, sem inventar novas aplicações além do escopo da segmentação de vasos e detecção de doença Plus.