ADEST-U-Net: A Dual-Encoder Architecture for Cross-Organ and Cross-Modality Transfer Learning in Data-Scarce Medical Image Segmentation

Resumo Técnico: ADEST-U-Net: Uma Arquitetura de Dual-Encoder para Aprendizado por Transferência Cross-Organ e Cross-Modality em Segmentação de Imagens Médicas com Escassez de Dados.

Problema

A segmentação de imagens médicas, particularmente a delineação de tumores hepáticos em Tomografia Computadorizada (TC), depende fortemente de grandes volumes de dados anotados por especialistas, que são frequentemente escassos na prática clínica. Embora o aprendizado por transferência (transfer learning) seja uma estratégia padrão para mitigar a escassez de dados, as abordagens existentes focam tipicamente na adaptação de mesmo órgão ou mesma modalidade. O artigo aborda o desafio específico da transferência cross-organ e cross-modality: adaptar representações aprendidas na segmentação de tumores cerebrais em Ressonância Magnética (RM) para a segmentação de tumores hepáticos em TC.

Os autores observam que o ajuste fino (fine-tuning) "naïve" sob tais mudanças severas de anatomia (cérebro vs. fígado) e de modalidade (RM vs. TC) produz melhorias limitadas. Surge uma questão metodológica fundamental: sob um desajuste de domínio extremo, o uso de um único encoder para transferência reutiliza efetivamente as representações de alto nível ou o desvio específico do domínio degrada o desempenho? O estudo postula que o ajuste fino convencional pode ser insuficiente quando os domínios de origem e alvo diferem simultaneamente em anatomia e modalidade de imagem.

Metodologia

O estudo utiliza o conjunto de dados 3D-IRCADb-01, um benchmark para segmentação de fígado e tumor a partir de exames de TC abdominal com contraste. Devido à esparsidade das regiões tumorais em volumes 3D, os autores decomporam os volumes 3D em fatias axiais 2D, filtrando as fatias que contêm tumores para lidar com o desequilíbrio de classes.

A pesquisa está estruturada em três trilhas experimentais para avaliar diferentes estratégias de transferência:

1. Trilha 1: Aprendizado Supervisionado de Base (Do Zero)
   Uma arquitetura UNet++ padrão foi treinada do zero nos dados de TC hepática. Isso serve como o ponto de referência supervisionado, uma vez que não existe um modelo pré-treinado para a tarefa alvo específica.

2. Trilha 2: Transferência Cross-Organ Naïve
   Um modelo UNet++ pré-treinado em tumores cerebrais por RM foi adaptado para a tarefa de TC hepática. Duas estratégias foram testadas:

   • Ajuste Fino Progressivo: Onze configurações foram avaliadas, variando desde o congelamento apenas dos blocos iniciais do encoder até o congelamento de toda a rede (encoders, bottleneck e decoders aninhados).
   • Adaptação de Modalidade de Entrada (IMA): Um módulo adaptador foi adicionado à camada de entrada para reduzir o desajuste entre RM e TC antes de alimentar a rede congelada/ajustada.

3. Trilha 3: Arquitetura Proposta ADEST-U-Net
   Para mitigar as limitações observadas na Trilha 2, os autores propõem a Arquitetura de Dual-Encoder Shared-Tail U-Net (ADEST-U-Net).

   • Design de Dual-Encoder: A arquitetura emprega dois encoders paralelos:
     • Encoder A: Inicializado com pesos do UNet++ pré-treinado em tumor cerebral por RM (com adaptação de modalidade de entrada).
     • Encoder B: Um encoder específico para TC, treinado do zero.
   • Refinamento de Shared-Tail (Cauda Compartilhada): As características de ambos os encoders são concatenadas no bottleneck (resultando em 1024 canais) e passadas por um módulo de refinamento compartilhado (Conv + BN + ReLU + Dropout) que reduz os canais de volta para 512 antes da decodificação.
   • Racional de Design: Este design separa explicitamente as características transferíveis (da RM) das características específicas do domínio (da TC) para evitar a transferência negativa, fundindo-as de maneira controlada antes da decodificação.
   • Estratégia de Treinamento: Um processo de treinamento de duas fases foi utilizado: uma fase de warm-up onde o Encoder A estava congelado, seguida por um ajuste fino de ponta a ponta (end-to-end).

Função de Perda (Loss Function): Todos os modelos foram treinados usando uma perda composta combinando Dice Loss e uma Shape Prior Loss (derivada da probabilidade empírica de ocorrência de tumor nas máscaras de treinamento).

Principais Resultados

Os modelos foram avaliados no conjunto de teste 3D-IRCADb-01 usando Coeficiente de Similaridade de Dice (DSC), Interseção sobre União (IoU), Precisão, Recall e métricas de contorno (HD95, ASSD).

• Baseline vs. Transferência Naïve: O baseline UNet++ treinado do zero alcançou um Dice de teste de 0.7020. Em contraste, a transferência naïve de RM cerebral (mesmo com adaptação de modalidade de entrada) teve um desempenho significativamente inferior, com a melhor configuração de transferência alcançando um Dice de apenas 0.5383. Isso confirma que a transferência direta de um único encoder sob desajustes extremos de domínio resulta em transferência negativa.
• Desempenho do ADEST-U-Net: O proposto ADEST-U-Net alcançou um Dice de teste de 0.7189 e um IoU de 0.5611, superando ligeiramente o baseline supervisionado.
• Análise de Erro:
  • Falsos Positivos: O ADEST-U-Net reduziu os falsos positivos em 67,6% em comparação com o baseline treinado do zero e em 40,4% em comparação com a transferência de pesos congelados.
  • Precisão vs. Recall: O modelo baseline exibiu alto recall (0.8712), mas baixa precisão (0.5870) devido à sobre-segmentação e detecções falsas extrahepáticas. O ADEST-U-Net alcançou um equilíbrio mais equilibrado, com a maior precisão (0.7727) e um recall de 0.6720.
  • Qualidade de Contorno: Embora a diferença média nos escores de Dice entre o baseline e o ADEST-U-Net não tenha sido estatisticamente significativa (p = 0.273), as métricas de contorno mostraram melhoria acentuada. A distância de Hausdorff mediana (HD95) diminuiu de 220.57 (baseline) para 78.41 (ADEST), indicando previsões mais suaves e anatomicamente coerentes.
  • Sensibilidade de Detecção: O baseline detectou tumores em 85,96% das fatias, enquanto o ADEST-U-Net os detectou em 59,65%. Os autores atribuem isso à natureza conservadora do ADEST, que suprime ativações espúrias ao custo de perder algumas lesões pequenas.

Significância e Alegações

O artigo alega modestamente que sua principal contribuição não é alcançar o estado da arte em precisão de segmentação (visto que outras arquiteturas no 3D-IRCADb-01 reportaram scores de Dice de tumor mais altos), mas sim fornecer insights arquitetônicos e empíricos sobre o aprendizado por transferência cross-organ e cross-modality.

Os autores concluem que:

1. A reutilização direta de representações pré-treinadas em uma arquitetura de encoder único sob desajuste extremo de domínio leva à transferência negativa.
2. A mitigação arquitetônica via design de dual-encoder é necessária para separar o aprendizado de modalidade específica da reutilização de características pré-treinadas.
3. A separação consciente de modalidade permite uma interação de características controlada, resultando em melhor plausibilidade estrutural e uma redução significativa de falsos positivos, mesmo que não maximize imediatamente o Dice score.
4. O estudo destaca as limitações de confiar apenas em métricas baseadas em sobreposição (como o Dice) para segmentação de pequenas lesões, sugerindo que a regularidade de contorno e a precisão são indicadores críticos de uma transferência de domínio bem-sucedida em ambientes clínicos.

O trabalho sugere que, para que a transferência cross-organ seja viável, a arquitetura deve distinguir explicitamente entre informações transferíveis e específicas do domínio, em vez de depender apenas do ajuste fino convencional.