Landmark-free Assessment of Lower-limb Alignment with Implicit Neural Shape Functions from Knee Radiographs

Résumé Technique : Évaluation sans repères de l'alignement des membres inférieurs par fonctions de forme neuronales implicites

Problématique
L'évaluation radiographique de l'alignement des membres inférieurs (LLA) est cruciale pour prédire la santé articulaire et les résultats chirurgicaux dans le cadre de l'arthroplastie totale du genou (TKR). Les méthodes traditionnelles reposent sur des mesures manuelles, qui sont chronophages. Des approches récentes d'apprentissage automatique ont automatisé ce processus, mais elles dépendent généralement de la détection d'un ensemble fixe de repères anatomiques pour calculer les angles d'alignement (par exemple, l'angle tibio-fémoral anatomique, aTFA). Cette dépendance aux repères explicites limite la flexibilité du modèle ; si les définitions cliniques changent, le protocole d'annotation doit être redéfini et le modèle peut nécessiter un réentraînement. De plus, les modèles basés sur les repères contraignent la représentation de l'anatomie à des points discrets plutôt qu'à des formes continues.

Méthodologie
Les auteurs proposent un flux de travail automatisé utilisant des fonctions de forme neuronales implicites (INSF) pour évaluer le LLA directement à partir de radiographies du genou, sans dépendre de coordonnées de repères explicites. Le cadre fonctionne à travers les étapes suivantes :

1. Prétraitement et Alignement des données :

   • Les images d'entrée sont des radiographies AP (antéro-postérieures) du genou.
   • Un aligneur de forme basé sur un CNN (architecture Hourglass) détecte deux points de référence aux coins du plateau tibial pour aligner toutes les images dans un espace canonique.
   • Pour traiter la troncature des axes osseux dans les radiographies, les auteurs prolongent manuellement les contours fémoraux et tibiaux tronqués vers les marges de l'image le long de tangentes de l'axe estimées. Cela garantit que le modèle apprend une géométrie de l'axe cohérente.

2. Prédiction de la SDF :

   • Un U-Net est entraîné pour prédire des fonctions de distance signée (SDF) à partir des images alignées. La sortie consiste en deux canaux, représentant des cartes de distance signée distinctes pour les contours fémoraux et tibiaux.

3. Apprentissage de la représentation de forme implicite :

   • Le cœur de la méthode emploie un auto-décodeur basé sur SIREN pour apprendre des représentations de forme latentes compactes.
   • Au lieu de prédire des repères, le modèle encode la géométrie osseuse dans un vecteur latent ($z$). Un perceptron multicouche (MLP) décode les coordonnées spatiales ($x$) et le vecteur latent ($z$) pour produire une valeur de distance signée ($d$), où $d < 0$ est à l'intérieur de l'os, $d > 0$ est à l'extérieur, et $d = 0$ définit la surface.
   • L'entraînement implique l'optimisation conjointe des poids du réseau ($\theta$) et des codes latents ($z$) en utilisant une perte Focal L1 signée, conçue pour capturer les détails géométriques à haute fréquence.

4. Optimisation au temps de test et Régression :

   • Optimisation du code latent : Pour une nouvelle image de test, le U-Net prédit une SDF initiale. Un processus d'optimisation trouve ensuite le vecteur latent ($z$) spécifique qui minimise la perte focale entre la SDF générée et la prédiction du U-Net.
   • Régression du LLA : Le vecteur latent optimisé est injecté dans un simple MLP à 4 couches pour régresser directement les mesures angulaires (aTFA, aMPTA, JLCA). Cela permet de contourner le calcul des angles à partir de coordonnées de repères intermédiaires.

Contributions clés

• Cadre sans repères (Landmark-free) : Il s'agit de la première application des fonctions de forme neuronales implicites aux radiographies du genou pour l'évaluation automatisée du LLA. La méthode encode la structure anatomique globale dans un espace latent, supprimant la dépendance aux définitions de repères prédéfinies.
• Extensibilité flexible : L'architecture permet une adaptation rapide à de nouvelles tâches de mesure sans modifier la représentation de base, car le modèle apprend des caractéristiques de forme plutôt que des emplacements de points spécifiques.
• Stratégie d'extension de l'axe : Les auteurs introduisent une étape de prétraitement pour prolonger les axes osseux tronqués, démontant que l'incorporation d'une plus grande partie de l'anatomie de l'axe améliore la précision des mesures, particulièrement pour l'aTFA.
• Interprétabilité de l'espace latent : L'étude analyse la corrélation entre les dimensions latentes et les angles cliniques, montrant que certaines dimensions (par exemple, la dimension 116) sont fortement corrélées à l'aTFA et au JLCA, capturant des informations liées à la pose et au positionnement osseux.

Résultats
La méthode a été évaluée sur un ensemble de données interne (566 entraînement, 50 test) et un ensemble de données externe (402 cas du jeu de données MRKR).

• Validation interne : La méthode proposée a obtenu des performances comparables aux méthodes basées sur les repères de pointe et à l'accord inter-évaluateurs manuel.
  • Pour l'aTFA par rapport à la vérité terrain d'un chirurgien orthopédiste : Différence Moyenne Absolue (MAD) = 1,2°, Coefficient de Corrélation Intraclasse (ICC) = 0,97.
  • L'inclusion de l'extension de l'axe a considérablement amélioré les résultats, réduisant la MAD de 1,8° à 1,2° et améliorant l'ICC de 0,94 à 0,97 par rapport aux mesures du chirurgien.
• Validation externe : Sur le jeu de données MRKR, la méthode a obtenu des performances comparables à une ligne de base basée sur les repères pour l'aTFA, mais a montré des performances numériques légèrement inférieures pour l'aMPTA et le JLCA par rapport à la ligne de base et à l'accord intra-évaluateur manuel.
• Significativité statistique : Des tests statistiques (Tests Unilatéraux de Deux Échantillons) ont indiqué que les différences de MAD entre la méthode proposée, la ligne de base et l'accord manuel n'étaient pas statistiquement significatives dans un seuil de ±1° (tous $p < 0,0001$).

Signification et Revendications
L'article affirme que les représentations neuronales implicites capturent avec succès les variations associées au LLA, offrant une alternative flexible aux modèles basés sur les repères. La principale importance réside dans la flexibilité de la représentation de la forme, qui peut être étendue à des tâches de mesure supplémentaires sans nécessiter de ré-annotation des repères. Cela est particulièrement précieux pour les définitions cliniques évolutives où les modèles traditionnels basés sur les points sont peu pratiques.

Les auteurs reconnaissent modestement les limites, notant que les cibles d'entraînement ont été dérivées d'annotations basées sur les repères, ce qui peut intrinsèquement favoriser les approches pilotées par les repères. Ils suggèrent que les travaux futurs devraient se concentrer sur la régression de mesures qui ne peuvent pas être facilement dérivées des repères pour démontrer pleinement les avantages de l'approche sans repères. De plus, la légère baisse de généralisabilité sur le jeu de données externe est attribuée aux différences de population (par exemple, l'âge et l'ethnie) entre les cohortes internes et externes.