Interpretable Unsupervised Deformable Image Registration via Confidence-bound Multi-Hop Visual Reasoning

Sintesi Tecnica: Registrazione di Immagini Deformabili Non Supervisionata e Interpretabile tramite Ragionamento Visivo Multi-Hop con Limiti di Confidenza

Definizione del Problema
La registrazione di immagini deformabili (DIR) non supervisionata mira ad allineare strutture anatomiche complesse tra le immagini senza l'ausilio di etichette di riferimento. Sebbene i metodi di deep learning abbiano raggiunto un'elevata accuratezza, essi operano spesso come "black box", carendo di trasparenza e affidabilità. Questa opacità porta alla deriva dell'errore e a una ridotta fiducia clinica, in particolare in scenari che coinvolgono grandi deformazioni o dataset 3D complessi, dove la coerenza anatomica è difficile da garantire senza supervisione. La sfida principale consiste nello sviluppare un framework di registrazione che sia non solo accurato, ma anche interpretabile, affidabile e capace di fornire tracce di ragionamento trasparenti per l'impiego clinico.

Metodologia: Catena di Ragionamento Visivo Multi-Hop (VCoR)
Gli autori propongono un nuovo framework, VCoR-Reg, che riformula la registrazione delle immagini come un processo di ragionamento progressivo e multi-hop ispirato al processo decisionale cognitivo umano (specificamente ai Modelli Decisionali di Diffusione). Invece di una predizione a passaggio singolo, il modello affina iterativamente il campo vettoriale di deformazione (DVF) attraverso tre "hop" sequenziali.

L'architettura si compone di tre fasi principali:

1. Estrazione delle Caratteristiche: Un encoder 3D U-Net estrae caratteristiche multi-scala e contestualizzate sia dalle immagini sorgente ($S_{im}$) che da quelle di riferimento ($R_{im}$). Queste caratteristiche subiscono un raffinamento tramite self-attention indipendente per enfatizzare le regioni anatomiche salienti e catturare dipendenze a lungo raggio.
2. Catena di Ragionamento Visivo (VCoR): Questo è il modulo iterativo centrale. In ogni hop $k$:
   • Raffinamento Spaziale Localizzato (LSR): Le caratteristiche della sorgente vengono affinate tramite self-attention per migliorare la coerenza spaziale locale e i dettagli strutturali.
   • Attenzione Cross-Reference (CRA): Un meccanismo di cross-attention unidirezionale allinea le caratteristiche della sorgente raffinate con le caratteristiche di riferimento raffinate. Le caratteristiche di riferimento fungono da chiavi (keys) e valori (values), mentre le caratteristiche della sorgente agiscono come query. Ciò garantisce una corrispondenza anatomicamente coerente e genera mappe di attenzione che evidenziano le regioni di riferimento influenti.
   • Predizione della Deformazione: Un campo di deformazione ($\phi^{(k)}$) viene predetto dalle caratteristiche raffinate e applicato tramite una Rete di Trasformazione Spaziale (STN), producendo un output intermedio.
3. Limiti di Confidenza-Incertezza: Il framework incorpora un limite teorico derivato dalla teoria cognitiva. Esso postula che, all'aumentare del numero di hop di ragionamento, la confidenza (misurata tramite metriche di similarità come DSC e NCC) debba aumentare monotonicamente, mentre l'incertezza (misurata tramite il Target Registration Error e i determinanti jacobiani negativi) debba contrarsi geometricamente.

L'addestramento è non supervisionato, ottimizzando una funzione di perdita composita che bilancia la similarità delle immagini (Correlazione Incrociata Normalizzata e Errore Quadratico Medio) con un termine di regolarizzazione per garantire deformazioni fluide e fisicamente plausibili.

Contributi Chiave

1. Ragionamento Visivo Multi-Hop Implicito (IMVCoR): Il lavoro introduce il primo paradigma di ragionamento visivo multi-hop implicito applicato alla registrazione di immagini mediche deformabili non supervisionata, utilizzando una pipeline di raffinamento da grossolano a fine (coarse-to-fine).
2. Limiti di Affidabilità: Ispirandosi ai Modelli Decisionali di Diffusione, gli autori propongono un vincolo di coerenza-confidenza teorico. Questo integra il ragionamento umano nel deep learning, mirando a mitigare la deriva dell'errore, preservare la plausibilità anatomica e validare il processo attraverso la riduzione dei jacobiani negativi.
3. Interpretabilità Integrata: Generando campi di deformazione intermedi e mappe di attenzione ad ogni hop, il modello fornisce tracce di ragionamento trasparenti. Esso stima l'incertezza attraverso la stabilità e la convergenza dei campi di deformazione tra gli hop.

Risultati Sperimentali
Il framework è stato valutato su due benchmark pubblici: DIR-Lab 4D CT (polmone) e IXI T1-weighted MRI (cervello).

• DIR-Lab (Polmone): VCoR-Reg ha ottenuto un Target Registration Error (TRE) medio di 1,55 mm, superando i metodi allo stato dell'arte (es. Jiang et al. a 1,66 mm e TransMorph a 1,84 mm). Ha inoltre dimostrato la deviazione standard più bassa (1,12 mm), indicando un'alta coerenza.
• IXI (Cervello): Il metodo ha ottenuto un Coefficiente di Similarità di Dice (DSC) di 0,759, superando i baseline classici e di deep learning inclusi SyN, Flash e varianti di VoxelMorph.
• Raffinamento Progressivo: L'analisi quantitativa ha mostrato un miglioramento costante attraverso gli hop. Ad esempio, sul dataset DIR-Lab, il TRE medio è diminuito da 2,04 mm (baseline) a 1,63 mm (Hop 1), 1,55 mm (Hop 2) e 1,51 mm (Hop 3).
• Plausibilità Anatomica: La percentuale di voxel con determinanti jacobiani negativi (che indicano ripiegamenti) è diminuita progressivamente attraverso gli hop, raggiungendo un minimo dello 0,118% nell'ultimo hop, confermando una migliore fluidità della deformazione.
• Evoluzione della Confidenza: La validazione empirica ha confermato i limiti teorici: le metriche di confidenza sono aumentate mentre le metriche di incertezza sono diminuite attraverso gli hop di ragionamento, particolarmente quando sono stati utilizzati schemi di pesatura empirica.

Significatività e Rivendicazioni
Il paper sostiene che VCoR-Reg rappresenti un passo significativo verso l'IA Affidabile nell'imaging medico. Integrando un paradigma di ragionamento visivo implicito, il framework offre:

• Interpretabilità: Fornisce una sequenza trasparente di predizioni intermedie e mappe di attenzione, permettendo ai clinici di visualizzare come e dove l'allineamento migliora.
• Affidabilità: La dimostrazione teorica ed empirica della crescita della confidenza e della contrazione dell'incertezza attraverso gli hop offre una spiegazione fondata sulla stabilità del modello, affrontando il problema della "black box".
• Viabilità Clinica: La capacità di stimare l'incertezza e fornire tracce di ragionamento supporta il processo decisionale basato sui dati in applicazioni critiche come la guida chirurgica, la pianificazione della radioterapia e il monitoraggio longitudinale delle malattie.

Gli autori riconoscono i limiti, notando che la validazione attuale è limitata a dataset a singola modalità e organi specifici. Enfatizzano che sono necessari lavori futuri per estendere il framework alla registrazione multimodale, incorporare annotazioni di esperti e validare le prestazioni in scenari clinici più ampi con diverse patologie e artefatti. Tuttavia, i risultati attuali stabiliscono una solida base per una registrazione non supervisionata interpretabile che bilancia alta accuratezza con la fiducia clinica.