A segmentação da língua em imagens de ultrassom é necessária para analisar a articulação e diagnosticar distúrbios da fala, mas coletar dados anotados é difícil: são necessários especialistas, e as próprias imagens variam muito de um equipamento para outro. Quando há pouco material anotado, o treinamento padrão de redes neurais não funciona: o modelo memoriza as características de uma fonte específica e não generaliza para novas condições.
Por que isso é difícil
O problema não está apenas no pequeno número de anotações. Os dados de ultrassom da língua são coletados com diferentes sensores, com diferentes configurações e de diferentes pessoas, portanto a distribuição das imagens em cada novo conjunto é própria. Isso é chamado de domain shift. Se você treinar um modelo em um conjunto e aplicá-lo a outro, a qualidade da segmentação cai drasticamente. Os métodos clássicos de adaptação exigem acesso a dados anotados do domínio de origem, mas em problemas reais muitas vezes há apenas um modelo pré-treinado e imagens não anotadas do novo domínio.
Ideia: adaptação source-free
Os autores de um estudo recente propõem um framework que adapta o modelo a um novo domínio sem nenhum dado anotado e sem acesso às imagens de origem. Como base, eles usam um backbone leve UltraUNet, pré-treinado em apenas cinco imagens anotadas. Este é um ponto de partida deliberadamente fraco — ele simula uma situação em que o modelo está subtreinado devido à falta de dados. Em seguida, ocorre a adaptação ao domínio alvo, onde não há exemplos anotados.
Pseudo-rótulos com filtragem
Primeiro, o modelo faz previsões nas imagens alvo. Essas máscaras grosseiras são chamadas de pseudo-rótulos. Mas não se pode confiar em todas elas: parte dos contornos será imprecisa ou até mesmo incorreta. Portanto, o framework usa um módulo especial de controle de qualidade de contornos, que descarta máscaras não confiáveis. Os pseudo-rótulos limpos restantes são usados no treinamento. O processo se repete iterativamente — a cada ciclo, a qualidade dos rótulos aumenta e o modelo se adapta melhor ao domínio alvo.
Dados sintéticos no estilo alvo
Adicionalmente, é usada uma GAN condicional guiada por segmentação, que gera pares sintéticos "imagem-máscara" no estilo do domínio alvo. Isso é semelhante à aumento de dados, mas os dados não são criados por transformações aleatórias, e sim especificamente para o estilo do novo domínio. O modelo estudante é treinado em uma mistura de três fontes: imagens alvo com pseudo-rótulos limpos, pseudo-rótulos ruidosos com regularização de consistência e amostras sintéticas geradas. Essa mistura torna o modelo robusto a erros e ajuda a evitar o superajuste ao ruído.
Resultados
O método foi testado em 12 pares "fonte-alvo", compostos por oito conjuntos de dados de ultrassom da língua. Em todos os experimentos, o framework proposto superou as abordagens de base, incluindo o treinamento supervisionado comum com dados limitados. Tanto a sobreposição da segmentação (overlap) quanto a precisão do contorno melhoraram. Os autores concluem que o refinamento de pseudo-rótulos e a aumento sintético no estilo do domínio alvo são componentes-chave que permitem a adaptação com quase nenhuma anotação.
Essa abordagem abre um caminho prático: basta treinar o modelo uma vez em um pequeno conjunto e, em seguida, adaptá-lo gradualmente a novas condições — um novo sensor, uma posição diferente do sensor ou um público diferente de pacientes — sem a trabalhosa anotação manual.
