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

Sintesi Tecnica: Valutazione dell'allineamento degli arti inferiori priva di landmark tramite funzioni di forma neurali implicite

Definizione del problema
La valutazione radiografica dell'allineamento degli arti inferiori (LLA) è fondamentale per predire la salute articolare e gli esiti chirurgici nella protesi totale di ginocchio (TKR). I metodi tradizionali si affidano alla misurazione manuale, che è dispendiosa in termini di tempo. Recenti approcci di machine learning hanno automatizzato questo processo, ma tipicamente dipendono dal rilevamento di un set fisso di landmark anatomici per calcolare gli angoli di allineamento (ad esempio, l'angolo tibio-femorale anatomico, aTFA). Questa dipendenza dai landmark limita la flessibilità del modello; se le definizioni cliniche cambiano, il protocollo di annotazione deve essere ridefinito e il modello potrebbe richiedere un nuovo addestramento. Inoltre, i modelli basati su landmark limitano la rappresentazione dell'anatomia a punti discreti anziché a forme continue.

Metodologia
Gli autori propongono un workflow automatizzato utilizzando le Funzioni di Forma Neurali Implicite (INSF) per valutare l'LLA direttamente dalle radiografie del ginocchio senza fare affidamento su coordinate esplicite dei landmark. Il framework opera attraverso le seguenti fasi:

1. Pre-elaborazione e Allineamento dei Dati:

   • Le immagini in input sono radiografie AP (antero-posteriore) del ginocchio.
   • Un allineatore di forma basato su CNN (architettura Hourglass) rileva due punti di riferimento agli angoli del piatto tibiale per allineare tutte le immagini in uno spazio canonico.
   • Per affrontare il troncamento degli assi ossei nelle radiografie, gli autori estendono manualmente i contorni troncati di femore e tibia verso i margini dell'immagine lungo le tangenti stimatate degli assi. Ciò assicura che il modello apprenda una geometria dell'asse coerente.

2. Predizione della SDF:

   • Una U-Net viene addestrata per predire le Funzioni di Distanza con Segno (SDF) dalle immagini allineate. L'output consiste in due canali, che rappresentano mappe di distanza con segno separate per i profili di femore e tibia.

3. Apprendimento della Rappresentazione della Forma Implicita:

   • Il cuore del metodo impiega un auto-decoder basato su SIREN per apprendere rappresentazioni latenti compatte della forma.
   • Invece di predire i landmark, il modello codifica la geometria ossea in un vettore latente ($z$). Un decoder MLP (percettrone multistrato) mappa le coordinate spaziali ($x$) e il vettore latente ($z$) in un valore di distanza con segno ($d$), dove $d < 0$ è all'interno dell'osso, $d > 0$ è all'esterno e $d = 0$ definisce la superficie.
   • L'addestramento prevede l'ottimizzazione congiunta dei pesi della rete ($\theta$) e dei codici latenti ($z$) utilizzando una perdita Focal L1 con segno (Signed Focal L1 loss), progettata per catturare dettagli geometrici ad alta frequenza.

4. Ottimizzazione al Test e Regressione:

   • Ottimizzazione del Codice Latente: Per una nuova immagine di test, la U-Net predice una SDF iniziale. Un processo di ottimizzazione trova quindi il vettore latente specifico ($z$) che minimizza la perdita focal tra la SDF generata e la predizione della U-Net.
   • Regressione LLA: Il vettore latente ottimizzato viene inserito in un semplice MLP a 4 strati per regredire direttamente le misurazioni angolari (aTFA, aMPTA, JLCA). Questo evita la necessità di calcolare gli angoli da coordinate di landmark intermedi.

Contributi Chiave

• Framework privo di Landmark: Questa è la prima applicazione delle Funzioni di Forma Neurali Implicite alle radiografie del ginocchio per la valutazione automatizzata dell'LLA. Il metodo codifica la struttura anatomica globale in uno spazio latente, rimuovendo la dipendenza da definizioni di landmark predefinite.
• Estendibilità Flessibile: L'architettura consente un rapido adattamento a nuovi compiti di misurazione senza alterare la rappresentazione di base, poiché il modello apprende caratteristiche di forma piuttosto che posizioni di punti specifici.
  o
• Strategia di Estensione dell'Asse: Gli autori introducono un passaggio di pre-elaborazione per estendere gli assi ossei troncati, dimostrando che l'incorporazione di una maggiore anatomia dell'asse migliora l'accuratezza della misurazione, in particolare per l'aTFA.
• Interpretabilità dello Spazio Latente: Lo studio analizza la correlazione tra le dimensioni latenti e gli angoli clinici, mostrando come specifiche dimensioni (ad esempio, la dimensione 116) siano fortemente correlate con aTFA e JLCA, catturando informazioni relative alla posa e al posizionamento osseo.

Risultati
Il metodo è stato valutato su un dataset interno (566 addestramento, 50 test) e su un dataset esterno (402 casi dal dataset MRKR).

• Validazione Interna: Il metodo proposto ha ottenuto prestazioni comparabili ai metodi basati su landmark allo stato dell'arte e all'accordo inter-operatore manuale.
  • Per l'aTFA rispetto al ground truth di un chirurgo ortopedico: Differenza Media Assoluta (MAD) = 1,2°, Coefficiente di Correlazione Intra-classe (ICC) = 0,97.
  • L'inclusione dell'estensione dell'asse ha migliorato significativamente i risultati, riducendo la MAD da 1,8° a 1,2° e migliorando l'ICC da 0,94 a 0,97 rispetto alle misurazioni del chirurgo.
• Validazione Esterna: Sul dataset MRKR, il metodo ha ottenuto prestazioni comparabili a un baseline basato su landmark per l'aTFA, ma ha mostrato una performance numerica leggermente inferiore per aMPTA e JLCA rispetto sia al baseline che all'accordo intra-operatore manuale.
• Significatività Statistica: I test statistici (Two One-Sided Tests) hanno indicato che le differenze di MAD tra il metodo proposto, il baseline e l'accordo manuale non erano statisticamente significative entro una soglia di ±1° (tutti i $p < 0,0001$).

Significatività e Rivendicazioni
L'articolo sostiene che le rappresentazioni neurali implicite catturano con successo le variazioni associate all'LLA, offrendo un'alternativa flessibile ai modelli basati su landmark. La principale significatività risiede nella flessibilità della rappresentazione della forma, che può essere estesa ad ulteriori compiti di misurazione senza richiedere la ri-annotazione dei landmark. Ciò è particolarmente prezioso per le evoluzioni delle definizioni cliniche dove i modelli tradizionali basati su punti sono impraticabili.

Gli autori riconoscono con modestia i limiti, notando che i target di addestramento derivavano da annotazioni basate su landmark, il che potrebbe favorire intrinsecamente gli approcci guidati dai landmark. Suggeriscono che il lavoro futuro dovrebbe concentrarsi sulla regressione di misurazioni che non possono essere facilmente derivate dai landmark per dimostrare pienamente i vantaggi dell'approccio privo di landmark. Inoltre, il leggero calo della generalizzabilità sul dataset esterno è attribuito alle differenze di popolazione (ad esempio, età ed etnia) tra le coorti interna ed esterna.