Deformable Medical Image Registration with KAN-based Implicit Neural Representations

Imaginez que vous avez deux photos de la même pièce, mais que l'une a été prise sous un angle légèrement différent, ou peut-être que les meubles ont été déplacés. Votre cerveau sait instantanément comment « faire glisser » et « étirer » mentalement la seconde photo pour qu'elle corresponde parfaitement à la première. Ce tour de passe-passe mental s'appelle le recadrage d'images (ou image registration), et dans le monde de la médecine, c'est un superpouvoir. Les médecins l'utilisent pour aligner les scanners des poumons, du cerveau ou du cœur d'un patient, pris à des moments différents ou avec des machines différentes. S'ils ne parviennent pas à les aligner parfaitement, ils ne peuvent pas savoir si une tumeur grossit, si un muscle cardiaque s'affaiblit ou si un traitement fonctionne.

Pendant longtemps, les ordinateurs ont tenté de faire cela par la force brute, en déplaçant les pixels un par un, ce qui était lent et fastidieux. Puis, les scientifiques ont inventé les « réseaux de neurones » — des cerveaux informatiques qui apprennent en observant des milliers d'exemples. Ces nouveaux ordinateurs sont devenus incroyablement rapides, mais ils avaient un inconvénient : ils avaient besoin d'être nourris d'un buffet massif de données d'entraînement. Si un médecin avait un type de scanner rare ou un organe spécifique qui ne figurait pas dans le buffet d'entraînement, le cerveau de l'ordinateur se mélangeait les pinceaux et commettait des erreurs. C'était comme essayer d'apprendre à un chef à cuisiner un nouveau plat en ne lui montrant que des recettes de pizza ; il aurait du mal avec les sushis.

Cet article présente une nouvelle façon ingénieuse d'apprendre aux ordinateurs à aligner des images médicales sans avoir besoin d'une immense bibliothèque d'exemples. Au lieu de mémoriser des milliers d'images, l'ordinateur apprend à dessiner une carte lisse et continue pour les deux images qu'il regarde en ce moment même. Pensez à un maître tailleur qui, au lieu d'avoir un placard rempli de costumes pré-fabriqués, prend les mesures d'un seul client et coupe un costume parfait sur le champ. Les chercheurs ont utilisé un nouvel outil mathématique appelé Réseau de Kolmogorov-Arnold (KAN). Alors que les anciens cerveaux informatiques utilisent des règles fixes et rigides (comme une recette pré-établie), les KAN utilisent des règles « apprenables » qui peuvent s'étirer et se courber, un peu comme un morceau d'argile, pour s'adapter à la forme unique de l'anatomie du patient.

L'équipe, dirigée par des chercheurs de l'Université d'État Lomonossov de Moscou, a construit deux versions de ce nouveau système : KAN-IDIR et RandKAN-IDIR. Ils ont testé ces systèmes sur trois défis médicaux très différents : l'alignement de scanners CT de poumons (qui bougent beaucoup car nous respirons), des IRM cérébrales (qui sont très détaillées) et des IRM cardiaques (qui battent et changent de forme).

Voici ce qu'ils ont découvert. Les nouveaux systèmes étaient incroyablement précis, égalant ou dépassant souvent les meilleures méthodes existantes. Mais la véritable magie résidait dans leur comportement. Les anciennes méthodes qui tentaient d'apprendre à partir de zéro pour chaque paire d'images étaient parfois « saccadées » — si vous commenciez l'ordinateur avec un réglage aléatoire légèrement différent (comme lancer les dés différemment), le résultat changeait radicalement. Les nouvelles méthodes basées sur les KAN étaient d'une stabilité exemplaire ; peu importe leur point de départ, elles produisaient le même résultat de haute qualité. C'est un point crucial pour la science, car cela signifie que les chercheurs peuvent faire confiance aux résultats sans craindre un départ chanceux ou malchanceux.

Les chercheurs ont également découvert un moyen de rendre le système encore plus rapide. En choisissant aléatoirement quelques « blocs de construction » pour construire la carte au lieu d'utiliser chacun d'entre eux, ils ont créé RandKAN-IDIR. Cette version était environ 30 % plus rapide que la version standard (prenant environ 43 secondes au lieu de 63 secondes sur un scanner pulmonaire) tout en conservant la même précision. C'est comme réaliser que vous n'avez pas besoin d'utiliser chaque brique d'un entrepôt pour construire un mur parfait ; une sélection aléatoire intelligente des bonnes briques fonctionne tout aussi bien et permet de faire le travail plus rapidement.

L'article argumente explicitement contre l'idée qu'il faut des ensembles de données massifs pour obtenir de bons résultats. Ils ont montré que leur méthode, qui n'a pas besoin d'un « cerveau » pré-entraîné nourri de milliers d'images, est plus performante que ces modèles de Big Data pour des tâches spécifiques comme le recadrage pulmonaire. Ils ont également écarté une version plus complexe de leur propre idée qui tentait d'« apprendre » quels blocs de construction utiliser à la volée, constatant qu'elle était trop lente et n'améliorait pas les résultats par rapport à leur approche aléatoire plus simple.

En résumé, cet article suggère qu'en utilisant une « argile » flexible basée sur les mathématiques (les KAN) plutôt que des recettes rigides ou de gigantesques banques de mémoire, nous pouvons aligner les images médicales plus rapidement, plus de manière fiable et avec moins de puissance de calcul. Les auteurs ont mesuré ces résultats sur des ensembles de données réels et ont constaté que leur méthode produit moins d'erreurs et moins de parties « pliées » ou tordues dans l'image finale, ce qui en fait un outil prometteur pour les médecins et les chercheurs qui ont besoin de résultats précis et reproductibles sans avoir besoin d'un supercalculateur ou d'une bibliothèque de millions de scans.