Riepilogo Tecnico: OncoReg: Registrazione di Immagini Mediche per Sfide Oncologiche

1. Definizione del Problema

La sfida OncoReg affronta la critica necessità di una registrazione accurata delle immagini in oncologia, specificamente nel contesto della radioterapia guidata dalle immagini (IGRT). La sfida clinica centrale consiste nell'allineare scansioni CT a fascio fan-beam (FBCT) ad alta risoluzione, acquisite prima del trattamento, con scansioni CBCT a basso dosaggio e soggette ad artefatti, acquisite durante le sessioni di trattamento.

Questa attività di registrazione è complicata da diversi fattori:

• Differenze di Modalità: Significative variazioni di intensità e artefatti tra FBCT e CBCT.
• Movimento Respiratorio: Disallineamento tra le fasi di massima inspirazione (FBCT) e massima espirazione (CBCT).
• Cambiamenti Anatomici: Rimpicciolimento del tumore, perdita di peso e deformazione degli organi nel corso del trattamento (mesi).
• Privacy dei Dati: L'enorme volume di dati medici generati in oncologia è spesso sottoutilizzato a causa delle restrizioni sulla privacy dei pazienti, che impediscono il rilascio pubblico di grandi dataset annotati necessari per l'addestramento di modelli AI robusti.

OncoReg mira a superare la barriera della privacy utilizzando un framework a due fasi che consente ai ricercatori di sviluppare algoritmi su dati pubblici e di validarli su dati clinici privati e nascosti, senza che i dati lascino mai la rete ospedaliera sicura.

2. Metodologia e Design della Sfida

Framework della Sfida

La sfida è stata organizzata in due fasi distinte, basandosi sul fondamento della sfida Learn2Reg:

1. Fase 1 (ThoraxCBCT): Una sfida di Tipo 1/Tipo 2 utilizzando un dataset pubblicamente disponibile derivato dal dataset 4D-Lung di The Cancer Imaging Archive (TCIA). I partecipanti hanno sviluppato algoritmi su 11 pazienti di addestramento e 3 pazienti di validazione.
2. Fase 2 (OncoReg): Una sfida di Tipo 3 utilizzando un dataset privato completamente nascosto dell'Università Ospedale Schleswig-Holstein (UKSH). I partecipanti hanno sottoposto i propri algoritmi di addestramento (containerizzati), che gli organizzatori hanno riaddestrato e valutato su 27 pazienti nascosti (15 di addestramento, 3 di validazione, 9 di test in una configurazione di cross-validazione a 3 pieghe). Questa fase ha introdotto uno shift di dominio, poiché i dati provenivano da scanner e istituzioni diverse rispetto al dataset pubblico.

Caratteristiche dei Dati

• ThoraxCBCT: 19 casi (11 train, 3 val, 5 test). Le immagini sono state ricampionate a 390x280x300 voxel (1.0 mm isotropo). Le annotazioni includevano 13 strutture semi-automatiche e circa 16 landmark manuali per coppia.
• OncoReg: 27 casi. Le immagini sono state ricampionate a 256x192x192 voxel (1.5 mm isotropo). Le annotazioni erano più complete, con 52 strutture semi-automatiche e circa 25 landmark manuali per coppia. Fondamentalmente, il dataset OncoReg non era sincronizzato per fase respiratoria, presentando uno scenario clinico più realistico.

Metriche di Valutazione

Le prestazioni sono state valutate utilizzando un approccio multi-metrica per garantirne la robustezza:

• Target Registration Error (TRE): Distanza tra i landmark manuali.
• Dice Similarity Coefficient (DSC): Sovrapposizione delle maschere di segmentazione.
• Hausdorff Distance 95th Percentile (HD95): Robustezza della distanza superficiale.
• Standard Deviation of Log Jacobian (SDlogJ): Fluidità del campo di deformazione.
• Runtime: Misurato ma non incluso nella classifica finale per dare priorità all'accuratezza per questo specifico benchmark.

Le classifiche sono state determinate tramite una media geometrica di test di significatività statistica (test di Wilcoxon signed-rank) attraverso le metriche.

Metodi Sottoposti

La sfida ha attirato vari approcci, che vanno dall'ottimizzazione classica al deep learning:

• DINO-Reg & Ensemble: Ha utilizzato DINOv2 (Vision Transformers) per l'estrazione di feature auto-supervisionate, seguita da ottimizzazione tramite discesa del gradiente. Un ensemble ha combinato le feature DINO con le feature MIND (Modality Independent Neighbourhood Descriptors).
• Fourier-Net: Un approccio guidato dal modello che apprende rappresentazioni di spostamento a bassa frequenza tramite FFT, perfezionate con ottimizzazione a livello di istanza.
• SSKJLBW: Un framework unsupervised single-shot che utilizza la fusione di feature multi-scala e l'evoluzione dinamica del template per gestire rumore e grandi deformazioni.
• SynDeeds: Un metodo DeedsBCV potenziato che incorpora un modulo di sintesi d'immagine basato sull'apprendimento per ripristinare la qualità della CBCT prima della registrazione.
• TimH (ConstrICON): Un framework che garantisce la consistenza inversa per costruzione utilizzando la parametrizzazione del gruppo di Lie, caratterizzato da un esteso preprocessing per ritagliare le FBCT al campo di vista (field-of-view) della CBCT.
• Voxelmorph++: Estensione di VoxelMorph con predizione dello spostamento basata su heatmap, corrispondenze di keypoint debolmente supervisionate e ottimizzazione di istanza.

3. Risultati Chiave

ThoraxCBCT (Dati Pubblici)

• Top Performer: SynDeeds è stato il vincitore ufficiale, ottenendo il DSC medio più alto (70.16%). ConvexAdam (un baseline fornito dagli organizzatori) ha ottenuto la posizione più alta in assoluto in tutte le metriche (Rank 0.710) e il TRE più basso (4.93 mm), sebbene non fosse idoneo per la vittoria ufficiale.
• Tendenze delle Prestazioni: Le strutture grandi (polmoni) sono state registrate con alta accuratezza in tutti i metodi. Le strutture piccole ed allungate (esofago, colonna vertebrale) sono rimaste problematiche.
• Divergenza delle Metriche: Fourier-Net ha ottenuto il TRE più basso ma un DSC inferiore, mentre SynDeeds e ConvexAdam hanno mostrato un DSC forte con un TRE leggermente superiore, indicando che diverse metriche catturano aspetti distinti della qualità della registrazione.

OncoReg (Dati Privati)

• Top Performer: TimH ha ottenuto la migliore prestazione complessiva (Rank 0.73), eccellendo particolarmente in HD95 (6.92 mm) e TRE30, grazie soprattutto alla sua strategia di preprocessing di ritaglio delle FBCT per farle corrispondere al campo di vista della CBCT. DINO-Reg Ensemble è seguito da vicino (Rank 0.67), ottenendo il TRE mediano più basso (3.94 mm) e il DSC più alto (63.89%).
• Generalizzazione: I metodi che si sono affidati pesantemente all'ottimizzazione a livello di istanza (ad es. DINO-Reg) hanno mostrato una forte prestazione ma al costo di un runtime elevato (>300s). ConvexAdam ha mantenuto prestazioni competitive con runtime inferiori a 5 secondi.
• Shift di Dominio: Diversi metodi si sono comportati diversamente tra ThoraxCBCT e OncoReg, evidenziando l'impatto dello shift di dominio (differenze di scanner, protocolli di acquisizione). Ad esempio, NiftyReg è stato relativamente migliore su ThoraxCBCT ma ha faticato con le distorsioni nel dataset OncoReg dove i mismatch nel campo di vista non sono stati gestiti.

4. Contributi Chiave e Risultati

Il documento presenta i seguenti contributi e intuizioni primarie:

1. Benchmarking Preservante la Privacy: Il successo dell'implementazione di un framework di sfida di Tipo 3 dimostra che lo sviluppo e la validazione di algoritmi di alta qualità possono avvenire su dati medici sensibili senza il rilascio pubblico dei dati, favorendo modelli AI generalizzabili.
2. Importanza dell'Estrazione delle Feature: I metodi con il ranking più alto (ConvexAdam, DINO-Reg) si sono affidati pesantemente a robuste strategie di estrazione delle feature. Il documento conclude che, che le feature siano artigianali (ConvexAdam) o apprese tramite auto-supervisione (DINO-Reg), una forte rappresentazione delle feature è la pietra angolare di una registrazione di successo.
3. Preprocessing e Adattamento del Dominio: Il successo di TimH sottolinea che le scelte di preprocessing, specificamente la gestione della sovrapposizione parziale del campo di vista e l'adattamento del dominio, possono essere critiche quanto l'architettura di registrazione stessa. Ignorare il mismatch nella copertura anatomica tra FBCT e CBCT porta a errori significativi ai bordi.
4. Complementarità delle Metriche: L'analisi ha rivelato una moderata correlazione negativa tra TRE e DSC ($\rho = -0.52$), confermando che l'accuratezza dei landmark e la sovrapposizione di segmentazione catturano aspetti diversi della qualità della registrazione. Nessuna singola metrica è sufficiente; la valutazione multi-metrica è essenziale.
5. Approcci Ibridi: La combinazione di metodi classici con il deep learning (ad es. l'uso di keypoint di ConvexAdam per raffinare VoxelMorph++) ha mostrato potenziale, suggerendo che le pipeline ibride possono superare gli approcci puramente deep learning o puramente di ottimizzazione in contesti specifici.

5. Significato e Rivendicazioni

Gli autori affermano che OncoReg fornisce un benchmark completo per la registrazione FBCT-to-CBCT nella radioterapia, offrendo spunti sulla situazione attuale della registrazione deformabile delle immagini. La significatività del lavoro risiede nel:

• Rilevanza Clinica: Concentrandosi sulle sfide specifiche della IGRT (mismatch di modalità, movimento respiratorio e cambiamenti anatomici), la sfida affronta un bisogno clinico diretto per la radioterapia adattiva.
• Intuizioni Metodologiche: I risultati evidenziano che, sebbene il deep learning sia potente, l'ottimizzazione classica e l'ingegneria delle feature rimangono vitali. Il documento suggerisce che il progresso futuro dipenda non solo da nuove architetture, ma da una migliore estrazione delle feature, adattamento del dominio e gestione della parziale sovrapposizione dell'immagine.
• Direzioni Future: Gli autori suggeriscono modestamente che le sfide future dovrebbero incorporare dataset multi-centro più ampi, cross-validazione più estesa e una considerazione equilibrata dell'efficienza computazionale insieme all'accuratezza, poiché gli attuali metodi top-performing spesso si affidano a ottimizzazioni a livello di istanza computazionalmente costose.

Il documento conclude che, sebbene i metodi con le prestazioni più elevate abbiano raggiunto un'accuratezza impressionante, il compromesso tra accuratezza, robustezza ed efficienza computazionale rimane un'area critica per la ricerca futura per consentire l'impiego clinico di routine.