💻 computer science

Modelling Geographic Atrophy Progression using Implicit Neural Representations

Questo articolo propone un framework di Rappresentazione Neurale Implicita (INR) a bassi dati per modellare la progressione individuale dell'Atrofia Geografica nella Degenerazione Maculare Legata all'Età, raggiungendo una precisione superiore nella predizione e segmentazione dell'area della lesione, mantenendo al contempo una generazione di immagini di Autofluorescenza del Fondo di alta qualità attraverso i punti temporali passati e futuri.

Autori originali: Simone Sarrocco, Paul Friedrich, Florentin Bieder, Christina Bornberg, Philippe Valmaggia, Peter Maloca, Philippe Cattin

Pubblicato 2026-08-12

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Simone Sarrocco, Paul Friedrich, Florentin Bieder, Christina Bornberg, Philippe Valmaggia, Peter Maloca, Philippe Cattin

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate di cercare di prevedere come una goccia d'inchiostro si diffonderà su un pezzo di carta bagnata. Potete vedere l'inchiostro all'inizio e potete vederlo poco dopo, ma la forma esatta che assume nel mezzo, o dove si troverà domani, è un mistero. Questo è il tipo di enigma che gli scienziati affrontano quando studiano un tipo specifico di malattia oculare chiamata degenerazione maculare senile (AMD). Nella sua fase avanzata, quella "secca", questa malattia crea un'area di danno a chiazze e in crescita nella parte posteriore dell'occhio, chiamata atrofia geografica (GA). Attualmente, i medici utilizzano speciali telecamere per scattare foto del retro dell'occhio (chiamate autofluorescenza del fondo o FAF) per vedere come queste macchie scure crescono nel tempo. Tuttavia, poiché l'occhio di ogni persona è diverso e la malattia si muove con la propria velocità unica, è difficile prevedere esattamente come la vista di un paziente specifico cambierà. L'obiettivo è costruire una sfera di cristallo digitale che possa guardare alcune foto passate e indovinare come sarà l'occhio nel futuro, aiutando i medici a spiegare ai pazienti cosa potrebbe accadere in seguito.

Questo articolo presenta un nuovo e intelligente modo per costruire quella sfera di cristallo utilizzando qualcosa chiamato "Rappresentazioni Neurali Implicite" (INR). Pensate a un'INR non come a un normale album fotografico, ma come a un magico libro di ricette continuo. Invece di memorizzare un'immagine come una griglia di pixel (come una foto digitale), questo libro di ricette memorizza un insieme di istruzioni che possono descrivere l'immagine in qualsiasi momento o spazio. Se chiedete alla ricetta: "Com'è l'occhio alla settimana 5?", essa calcola la risposta al volo, anche se non è mai stata scattata una foto alla settimana 5. I ricercatori hanno usato questo metodo per creare un modello che impara la "storia" unica della malattia dell'occhio di un paziente. Hanno scoperto che, fornendo al modello una speciale "carta d'identità" (un vettore latente) per ogni occhio specifico, esso poteva imparare la forma e il modello di crescita unici del danno di quella persona.

Il team ha testato il loro modello su un gruppo di pazienti che erano stati scansionati fino a quattro volte nell'arco di diversi mesi. Hanno chiesto al modello di fare due cose: prima, ricreare le immagini sfocate e luminose dell'occhio (le immagini FAF) e, seconda, disegnare un contorno preciso dell'area danneggiata (la segmentazione della GA). I risultati sono stati molto promettenti. Nei test in cui il modello doveva indovinare il futuro o riempire i punti temporali mancanti, è stato sorprendentemente bravo a prevedere la dimensione e la forma dell'area danneggiata. Ha ottenuto la massima precisione nella misurazione della dimensione della lesione e il miglior adattamento per la forma del danno rispetto ad altri programmi informatici. Sebbene non fosse perfetto nel ricreare i dettagli fini e ad alta definizione delle immagini luminose dell'occhio (a volte copiare semplicemente l'ultima immagine nota era in realtà migliore per la chiarezza dell'immagine), eccelleva nel comprendere come la malattia stesse cambiando. Gli autori suggeriscono che questo approccio potrebbe aiutare i medici a visualizzare il percorso specifico della malattia di un paziente, rendendo potenzialmente più facile discutere degli esiti futuri e dei benefici dei trattamenti. Tuttavia, sottolineano che è necessario ulteriore lavoro per rendere i dettagli dell'immagine più nitidi e per testare questo approccio su un gruppo più ampio di persone con diverse fasi della malattia.

Sintesi Tecnica: Modellazione della Progressione dell'Atrofia Geografica mediante Rappresentazioni Neurali Implicite

Definizione del Problema
La degenerazione maculare senile (AMD) è una delle principali cause di cecità, con la sua fase tardiva secca caratterizzata dall'atrofia geografica (GA), una perdita irreversibile di tessuto retinico. Sebbene l'imaging della autofluorescenza del fondo oculare (FAF) sia lo standard per il monitoraggio della crescita delle lesioni GA, la natura altamente individualizzata della progressione della malattia rende difficile modellare e prevedere l'evoluzione con precisione, particolarmente in contesti con scarsi dati dove i record longitudinali dei pazienti sono esigui. Gli approcci esistenti di deep learning spesso faticano a catturare traiettorie continue e specifiche per ogni paziente o richiedono una vasta quantità di dati per generalizzare.

Metodologia
Gli autori propongono un framework che utilizza le Rappresentazioni Neurali Implicite (INR) per modellare la progressione della GA come una funzione continua e specifica per il soggetto. L'architettura centrale è un auto-decoder costituito da un Percettore Multistrato (MLP) con funzioni di attivazione SIREN.

Architettura e Condizionamento: Il modello è diviso in due teste: una testa di ricostruzione ( $f^{faf}_\theta$ ) per generare l'intensità dei pixel dell'immagine FAF e una testa di segmentazione ( $f^{seg}_\theta$ ) per predire le maschere delle lesioni GA. Entrambe le teste condividono lo stesso MLP fino allo strato penultimo.
Rappresentazione Latente: Per catturare le caratteristiche individuali dell'occhio, viene assegnato a ciascun occhio un vettore latente spaziale 3D unico ( $z_i$ ). Questo vettore è condiviso tra tutti i punti temporali per quello specifico occhio, costringendo il modello a imparare le caratteristiche anatomiche specifiche dell'occhio piuttosto che artefatti legati alla singola visita.
Modulazione e Dinamiche Temporali: La rete è condizionata tramite strati di modulazione (FiLM). Il vettore latente viene concatenato con variabili temporali (settimane trascorse dal basale) e variabili cliniche (età del paziente alla visita). Questi input combinati sono mappati linearmente per ottenere i parametri di scala e spostamento (scale e shift) per ogni strato. In particolare, il parametro di spostamento è utilizzato per rappresentare le dinamiche temporali come segnali a bassa frequenza.
Addestramento e Adattamento al Tempo di Test:
- Addestramento: Il modello ottimizza sia i parametri della rete ( $\theta$ ) che l'insieme dei vettori latenti specifici per occhio ( $\{z_i\}$ ) minimizzando una funzione di perdita congiunta composta da Errore Quadratico Medio (MSE) per la ricostruzione FAF e una combinazione di Cross-Entropy Binaria e perdita DICE per la segmentazione.
- Adattamento al Tempo di Test: Per pazienti precedentemente non visti (nuovi occhi), un nuovo vettore latente viene inizializzato casualmente e ottimizzato utilizzando le visite disponibili per quel particolare paziente, mantenendo congelati i pesi della rete. Ciò consente al modello di adattarsi alle traiettorie di malattia individuali senza dover riaddestrare l'intera rete.

Contributi Chiave

Prima Applicazione delle INR per la GA: Questo lavoro presenta la prima applicazione delle Rappresentazioni Neurali Implicite per modellare le traiettorie lesionali individuali nella GA secondaria ad AMD.
Modellazione Congiunta di Immagine e Segmentazione: Il framework genera simultaneamente immagini FAF e maschere di segmentazione GA in punti temporali arbitrari (passati, presenti e futuri), consentendo l'interpolazione e l'estrapolazione degli stati della malattia.
Adattabilità a Bassi Livelli di Dati: Utilizzando l'adattamento al tempo di test dei vettori latenti specifici per occhio, il metodo genera previsioni accurate per nuovi pazienti utilizzando dati longitudinali limitati (anche solo una o due visite).
Modellazione di Traiettorie Continue: L'approccio tratta la progressione della malattia come un processo continuo, permettendo la visualizzazione di stati intermedi ed evoluzioni future che i modelli discreti potrebbero perdere.

Risultati
Il metodo è stato valutato sul dataset OMEGA, che comprende 37 occhi di 30 pazienti con fino a quattro visite. I confronti sono stati effettuati rispetto ai metodi di interpolazione classici, ImageFlowNet, T-UNet e un modello di diffusione consapevole del tempo (T-I2SBUNet) in tre scenari: predizione di coppia di singole immagini, estrapolazione della storia completa e ricostruzione di visite mancanti.

Prestazioni di Segmentazione: Il metodo proposto ha ottenuto i punteggi DICE più elevati (0,85 nello Scenario 1, 0,91 nello Scenario 2) e l'Errore Assoluto Medio (MAE) più basso per l'area della lesione (0,31 mm² e 0,20 mm², rispettivamente) in tutti gli scenari. Ha superato significativamente gli altri modelli di deep learning nel catturare la forma e la localizzazione della lesione.
Ricostruzione dell'Immagine: Il modello ha ottenuto punteggi PSNR e SSIM competitivi per la ricostruzione FAF. Tuttavia, gli autori osservano che in alcuni casi, la semplice copia dell'ultima immagine di ground truth disponibile ha prodotto i migliori parametri di ricostruzione, probabilmente a causa degli intervalli di follow-up brevi (circa 12 settimane) nel dataset.
Analisi Qualitativa: L'ispezione visiva ha confermato che il modello genera traiettorie di crescita delle lesioni realistiche che si allineano con le misurazioni del ground truth, mentre alcuni metodi concorrenti hanno prodotto bassi valori di MAE ma risultavano visivamente discordanti rispetto alle regioni atrofiche.

Significatività e Rivendicazioni
Il documento sostiene di dimostrare l'utilità dei vettori latenti spaziali per apprendere le strutture anatomiche individuali e per iniettare informazioni temporali tramite strati di modulazione. Gli autori pongono questo lavoro come uno strumento per aiutare i clinici a visualizzare l'evoluzione attesa della malattia e a comunicare i potenziali benefici del trattamento ai pazienti.

Gli autori rimangono modesti riguardo agli attuali limiti, riconoscendo che la ricostruzione dei dettagli ad alta frequenza nelle immagini FAF durante l'estrapolazione rimane una sfida. Sottolineano che, sebbene il modello funzioni bene nella segmentazione e nella stima dell'area, la qualità dell'immagine negli scenari di estrapolazione richiede ulteriori studi. Il documento conclude che il lavoro futuro dovrebbe concentrarsi su coorti più ampie, diversi stadi di AMD e l'integrazione di modalità aggiuntive (es. OCT) per migliorare l'interpretabilità clinica e la predizione del rischio.

Articoli simili