Per addestrare una rete di segmentazione su immagini mediche 3D il collo di bottiglia sono le etichette: ogni volume va segmentato voxel per voxel da un operatore qualificato, e su un dataset di centinaia di casi questo lavoro pesa più dell’architettura della rete o della GPU. MONAI Label, sotto-progetto open source di Project MONAI (licenza Apache 2.0), attacca proprio quel costo: trasforma l’annotazione da disegno manuale in correzione di una proposta che genera il modello.

Contesto

Nel flusso tradizionale l’esperto annota N casi da zero, si addestra un modello, lo si valuta. Il costo dell’annotazione è fisso e viene tutto prima di qualunque ritorno dal modello. MONAI Label rovescia l’ordine: un primo modello propone una segmentazione, l’operatore la corregge, e le correzioni alimentano un riaddestramento incrementale. Più il modello migliora, meno voxel restano da correggere. Il paper di riferimento (Diaz-Pinto et al., arXiv:2203.12362, marzo 2022) misura, sulla segmentazione della milza dal Medical Segmentation Decathlon, tempi per volume di 1–2,5 minuti con annotazione assistita contro i circa 25 minuti del contornamento manuale avanzato, e un calo del 50–80% sul tempo per annotare 220 lesioni in un caso di neurochirurgia.

Sono numeri misurati su task precisi, non garanzie generali: il guadagno dipende da quanto il modello iniziale aderisce al dominio. Indicano comunque dove si concentra il risparmio — sui casi facili, già quasi corretti — e la conseguenza pratica: l’annotazione diventa uno sforzo che cala nel tempo invece di un costo costante.

Architettura

MONAI Label è client-server. Il server è un’applicazione Python che espone una API REST e carica una o più app, ciascuna delle quali raccoglie i task di una pipeline. Un’app eredita l’interfaccia MONAILabelApp e dichiara i propri task in categorie distinte:

  • infer — invoca un modello (pre-addestrato o aggiornato dal training locale) e produce una segmentazione quando il client la richiede;
  • train — riaddestra il modello in background sulle annotazioni raccolte;
  • strategy — sceglie quale volume non etichettato proporre per primo, secondo una funzione di acquisizione;
  • scoring — calcola metriche per volume, tra cui le stime di incertezza su cui si appoggia la strategia.

I client non sono un’interfaccia a sé: sono plugin per i viewer che esistono già, così il radiologo continua a lavorare nello strumento che conosce. Il paper descrive due frontend, 3D Slicer (desktop) e OHIF (browser); quest’ultimo dialoga con gli archivi via DICOMweb, dove il server usa WADO-RS per il recupero, STOW-RS per lo storage e QIDO-RS per interrogare le collezioni. La versione 0.6.0 (dicembre 2022) ha aggiunto i modelli per la patologia e un’estensione per QuPath, estendendo lo stesso schema alle whole slide image dell’anatomia patologica. Oggi la 0.6.0 è l’ultima release stabile.

I metodi di interazione esposti sono tre. DeepGrow guida la segmentazione con click positivi e negativi, in 2D fetta per fetta o sull’intero volume 3D. DeepEdit produce una prima segmentazione automatica senza alcun click e accetta poi correzioni puntuali: l’addestramento mescola click simulati e training non interattivo, così lo stesso modello copre sia l’auto-segmentazione sia la rifinitura. Il metodo a scribbles lascia tracciare tratti liberi di foreground e background e completa la maschera con un’ottimizzazione energetica, in alternativa alla predizione della rete o subito dopo di essa.

Punto critico

Quello che separa MONAI Label da un semplice servizio di inferenza è il legame tra incertezza del modello e ordine di annotazione. La strategia non propone i casi a caso: sfrutta le stime di incertezza per dare priorità ai volumi su cui il modello è meno sicuro, perché correggere quei casi insegna di più al riaddestramento che confermare casi già facili.

Il framework separa due tipi di incertezza. Quella aleatoria — il rumore intrinseco al dato — si stima con la Test Time Augmentation, applicando trasformazioni all’input e misurando la varianza delle predizioni. Quella epistemica — l’ignoranza del modello, che cala con più dati — si stima con il Monte Carlo Dropout, tenendo il dropout attivo in inferenza ed eseguendo più passaggi. È la seconda a guidare l’active learning: un volume con alta incertezza epistemica segnala una regione dello spazio dei dati poco coperta dal training, quindi un candidato dove l’etichetta umana rende di più.

È anche la parte che chiede disciplina. Le stime di incertezza dipendono da quanto il modello è calibrato: su una rete poco addestrata o mal calibrata ordinano i casi peggio del caso. E ogni riaddestramento incrementale produce un nuovo modello: senza versionare gli stati e tracciare quali annotazioni hanno prodotto quale checkpoint, la riproducibilità del ciclo svanisce.

Implicazioni

L’architettura non vincola il deployment: la stessa API REST gira su una workstation con GPU, su un server GPU on-premise condiviso da più radiologi o in un container su un cluster. Nel medicale questo pesa, perché i dati raramente possono uscire dal perimetro dell’ospedale: il server può stare accanto al PACS (Picture Archiving and Communication System) e i client connettersi in rete locale, senza spostare imaging verso terzi.

Per chi costruisce dataset — trial multicentrici, atlanti anatomici, contornamento di organi a rischio nella pianificazione radioterapica — il valore sta nel ciclo: si parte da un modello generico, lo si specializza sul proprio dominio correggendo i casi che la strategia propone, e si misura la qualità strada facendo invece di scoprirla solo a fine annotazione.

Limiti

Un modello generico fornito con MONAI Label di solito resta sotto a un modello custom addestrato sui dati locali; lo scenario realistico prevede comunque una fase di fine-tuning, e il vantaggio dell’annotazione assistita si vede solo quando il modello iniziale è già abbastanza buono da generare proposte correggibili in fretta. Su una struttura mai vista, i primi casi costano quasi quanto l’annotazione manuale.

Restano poi i temi di esercizio: governo del versioning dei modelli e riproducibilità dei training incrementali, qualità della documentazione (ampia ma frammentata, con una curva di apprendimento più ripida di un tool commerciale con supporto dedicato), e il fatto che MONAI Label è uno strumento di ricerca e preparazione dati. Non porta con sé alcuna marcatura regolatoria: trasformarne l’output in un dispositivo medico certificato richiede il consueto lavoro di qualifica sotto MDR (Medical Device Regulation), che resta fuori dal framework.

Immagine di copertina: Rendering volumetrico 3D di una testa umana in 3D Slicer: cranio e vasi cerebrali resi in trasparenza, con un piano di taglio che… — illustrazione di 3D Slicer project, CC BY-SA 3.0 — https://commons.wikimedia.org/wiki/File:3DSlicer-VolumeRendering1.png