Deformable Medical Image Registration with KAN-based Implicit Neural Representations

Stellen Sie sich vor, Sie haben zwei Fotos desselben Raumes, aber eines wurde aus einem leicht anderen Winkel aufgenommen, oder vielleicht wurden die Möbel umgestellt. Ihr Gehirn weiß sofort, wie es das zweite Foto gedanklich „schieben“ und „dehnen“ muss, damit es perfekt zum ersten passt. Dieser mentale Trick wird als Bildregistrierung bezeichnet, und in der Welt der Medizin ist er eine Superkraft. Ärzte nutzen sie, um Scans der Lunge, des Gehirns oder des Herzens eines Patienten aufeinander abzustimmen, die zu unterschiedlichen Zeiten oder mit unterschiedlichen Geräten aufgenommen wurden. Wenn sie diese nicht perfekt aufeinander abstimmen können, können sie nicht erkennen, ob ein Tumor wächst, ob sich ein Herzmuskel schwächt oder ob eine Behandlung wirkt.

Lange Zeit versuchten Computer dies durch Brute-Force-Gewalt, indem sie Pixel einzeln hin- und herschoben, was langsam und mühsam war. Dann erfanden Wissenschaftler „neuronale Netze“ – Computergehirne, die lernen, indem sie sich tausende Beispiele ansehen. Diese neuen Computer wurden unglaublich schnell, hatten aber einen Haken: Sie mussten mit einem massiven Buffet an Trainingsdaten gefütet werden, um die Regeln zu lernen. Wenn ein Arzt eine seltene Art von Scan oder ein spezifisches Organ hatte, das nicht im Trainingsbuffet enthalten war, wurde das Computergehirn verwirrt und machte Fehler. Es war so, als würde man versuchen, einem Koch ein neues Gericht beizubringen, indem man ihm nur Rezepte für Pizza zeigt; er würde bei Sushi Schwierigkeiten haben.

Dieses Paper stellt eine clevere neue Methode vor, wie Computer lernen können, medizinische Bilder aufeinander abzustimmen, ohne eine massive Bibliothek an Beispielen zu benötigen. Anstatt tausende Bilder auswendig zu lernen, lernt der Computer, eine glatte, kontinuierliche Karte für genau die zwei Bilder zu zeichnen, die er gerade vor sich hat. Denken Sie an einen Meistermaßschneider, der, anstatt einen Kleiderschrank voller vorgefertigter Anzüge zu besitzen, einen einzelnen Kunden ausmisst und vor Ort einen perfekten Anzug zuschneidet. Die Forscher verwendeten ein neues mathematisches Werkzeug namens Kolmogorov-Arnold-Netzwerk (KAN). Während ältere Computergehirne feste, starre Regeln verwenden (wie ein vordefiniertes Rezept), nutzen KANs „lernbare“ Regeln, die sich dehnen und biegen können, ganz ähnlich wie ein Stück Knete, um sich der einzigartigen Form der Anatomie des Patienten anzupassen.

Das Team, unter der Leitung von Forschern der Lomonossow-Universität Moskau, entwickelte zwei Versionen dieses neuen Systems: KAN-IDIR und RandKAN-IDIR. Sie testeten diese Systeme bei drei sehr unterschiedlichen medizinischen Herausforderungen: dem Abgleichen von Lungen-CT-Scans (die sich durch die Atmung viel bewegen), Gehirn-MRT-Scans (die sehr detailliert sind) und Herz-MRT-Scans (die schlagen und ihre Form verändern).

Hier ist, was sie herausfanden. Die neuen Systeme waren unglaublich genau und erreichten oft die besten bestehenden Methoden oder übertrafen sie sogar. Aber die wahre Magie lag in ihrem Verhalten. Ältere Methoden, die versuchten, für jedes Bildpaar von Grund auf neu zu lernen, waren manchmal „zittrig“ – wenn man den Computer mit einer etwas anderen zufälligen Einstellung startete (als würde man die Würfel anders werfen), änderte sich das Ergebnis drastisch. Die neuen KAN-basierten Methoden waren absolut solide; egal, wie man sie startete, sie lieferten das gleiche hochwertige Ergebnis. Dies ist eine große Sache für die Wissenschaft, denn es bedeutet, dass Forscher den Ergebnissen vertrauen können, ohne sich Sorgen machen zu müssen, dass sie mit einem Glücks- oder Pechfall gestartet sind.

Die Forscher entdeckten auch einen Weg, das System noch schneller zu machen. Indem sie zufällig ein paar „Bausteine“ auswählten, um die Karte zu konstruieren, anstatt jeden einzelnen zu verwenden, schufen sie RandKAN-IDIR. Diese Version war etwa 30 % schneller als die Standardversion (sie benötigte etwa 43 Sekunden statt 63 Sekunden für einen Lungen-Scan), während sie dieselbe hohe Genauigkeit beibehielt. Es ist, als würde man erkennen, dass man nicht jeden einzelnen Ziegelstein in einem Lagerhaus braucht, um eine perfekte Wand zu bauen; eine kluge, zufällige Auswahl der richtigen Ziegel reicht genauso gut aus und erledigt den Job schneller.

Das Paper argumentiert explizit gegen die Vorstellung, dass man riesige Datensätze benötigt, um gute Ergebnisse zu erzielen. Sie zeigten, dass ihre Methode, die keinen vortrainierten „Kern“ benötigt, der mit tausenden Bildern gefütet wurde, bei spezifischen Aufgaben wie der Lungenregistrierung besser funktioniert als diese Big-Data-Modelle. Sie widerlegten auch eine komplexere Version ihrer eigenen Idee, die versuchte, im laufenden Betrieb zu „lernen“, welche Bausteine zu verwenden sei, da dies zu langsam war und im Vergleich zu ihrem einfacheren Zufallsansatz keine Verbesserungen brachte.

Kurz gesagt legt dieses Paper nahe, dass wir durch die Verwendung von flexiblem, mathematischem „Knetmaterial“ (KANs) anstelle von starren Rezepten oder massiven Gedächtnisbanken medizinische Bilder schneller, zuverlässiger und mit weniger Rechenleistung aufeinander abstimmen können. Die Autoren maßen diese Ergebnisse an realen Datensätzen und fanden heraus, dass ihre Methode weniger Fehler und weniger „gefaltete“ oder verdrehte Teile im finalen Bild produziert, was sie zu einem vielversprechenden Werkzeug für Ärzte und Forscher macht, die präzise, reproduzierbare Ergebnisse benötigen, ohne einen Supercomputer oder eine Bibliothek von Millionen Scans zu brauchen.