Technische Samenvatting: OncoReg: Medische Beeldregistratie voor Oncologische Uitdagingen

1. Probleemstelling

De OncoReg Challenge adresseert de kritieke behoefte aan nauwkeurige beeldregistratie in de oncologie, specifiek binnen de context van beeldgestuurde radiotherapie (IGRT). De kern van de klinische uitdaging betreft het uitlijnen van hoog-resolutie diagnostische fan-beam CT (FBCT) scans, verkregen voorafgaand aan de behandeling, met laag-gedoseerde, artefactgevoelige interventionele cone-beam CT (CBCT) scans die tijdens behandelsessies worden gemaakt.

Deze registratieopgave wordt bemoeilijkt door verschillende factoren:

• Modaliteitsverschillen: Significante intensiteitsvariaties en artefacten tussen FBCT en CBCT.
• Respiratoire beweging: Misalignement tussen maximale inspiratie (FBCT) en maximale expiratie (CBCT) fasen.
• Anatomische veranderingen: Tumorsamentie, gewichtsverlies en orgaanvervorming gedurende het verloop van de behandeling (maanden).
• Gegevensprivacy: Het enorme volume aan medische gegevens gegenereerd in de oncologie wordt vaak onderbenut vanwege beperkingen in de privacy van patiënten, wat de publieke vrijgave van grote, geannoteerde datasets die nodig zijn voor het trainen van robuuste AI-modellen verhindert.

OncoReg beoogt deze privacybarrière te doorbreken door gebruik te maken van een tweefasig framework, waardoor onderzoekers algoritmen kunnen ontwikkelen op publieke data en deze kunnen valideren op private, verborgen klinische data zonder dat de data ooit het beveiligde ziekenhuisnetwerk verlaat.

2. Methodologie en Challenge Design

Challenge Framework

De challenge werd georganiseerd in twee afzonderlijke fasen, voortbouwend op de basis van de Learn2Reg Challenge:

1. Fase 1 (ThoraxCBCT): Een Type 1/Type 2 challenge met behulp van een publiekelijk beschikbare dataset afgeleid van de TCIA 4D-Lung dataset. Deelnemers ontwikkelden algoritmen op 11 trainingspatiënten en 3 validatiepatiënten.
2. Fase 2 (OncoReg): Een Type 3 challenge met behulp van een volledig verborgen, private dataset van het Universitätsklinikum Schleswig-Holstein (UKSH). Deelnemers dienden hun getrainde algoritmen in (gecontaineriseerd), die de organisatoren opnieuw trainden en evalueerden op 27 verborgen patiënten (15 training, 3 validatie, 9 test in een 3-voudige cross-validatie opzet). Deze fase introduceerde een domeinverschuiving, aangezien de data afkomstig was van andere scanners en instellingen dan de publieke dataset.

Data Karakteristieken

• ThoraxCBCT: 19 gevallen (11 train, 3 val, 5 test). Beelden werden geresampled naar 390x280x300 voxels (1.0 mm isotoop). Annotaties bevatten 13 semi-automatische structuren en ~16 handmatige landmarks per paar.
• OncoReg: 27 gevallen. Beelden werden geresampled naar 256x192x192 voxels (1.5 mm isotoop). De annotaties waren uitgebreider en bevatten 52 semi-automatische structuren en ~25 handmatige landmarks per paar. Cruciaal was dat de OncoReg-dataset niet gesynchroniseerd was op ademhalingsfase, wat een realistischer klinisch scenario presenteert.

Evaluatie Metrieken

Prestaties werden geëvalueerd met een multi-metriek benadering om robuustheid te waarborgen:

• Target Registration Error (TRE): Afstand tussen handmatige landmarks.
• Dice Similarity Coefficient (DSC): Overlap van segmentatiemaskers.
• Hausdorff Distance 95th Percentile (HD95): Robuustheid van de oppervlakteafstand.
• Standard Deviation of Log Jacobian (SDlogJ): Gladheid van het deformatieveld.
• Runtime: Gemeten maar niet meegenomen in de uiteindelijke ranking om de prioriteit te leggen op nauwkeurigheid voor deze specifieke benchmark.

Rangschikkingen werden bepaald met behulp van een geometrisch gemiddelde van statistische significantietesten (Wilcoxon signed-rank test) over de metrieken heen.

Ingediende Methoden

De challenge trok diverse benaderingen aan, variërend van klassieke optimalisatie tot deep learning:

• DINO-Reg & Ensemble: Maakte gebruik van DINOv2 (Vision Transformers) voor zelfgesuperviseerde feature extractie, gevolgd door gradiëntafdaling optimalisatie. Een ensemble combineerde DINO-features met MIND (Modality Independent Neighbourhood Descriptors) features.
• Fourier-Net: Een modelgestuurde benadering die lage-frequentie verplaatsingsrepresentaties leert via FFT, verfijnd met instance-level optimalisatie.
• SSKJLBW: Een unsupervised single-shot framework met multi-scale feature fusie en dynamische template evolutie om ruis en grote deformaties aan te pakken.
• SynDeeds: Een verbeterde DeedsBCV methode die een learning-based beeld-synthese module incorporeert om de CBCT-kwaliteit te herstellen vóór de registratie.
• TimH (ConstrICON): Een framework dat door constructie inverse consistentie garandeert middels Lie-groep parametrisatie, voorzien van uitgebreide preprocessing om FBCT's te croppen naar het CBCT field-of-view.
• Voxelmorph++: Een uitgebreide versie van VoxelMorph met heatmap-gebaseerde verplaatsingsvoorspelling, zwak gesuperviseerde keypoint correspondenties en instance optimalisatie.

3. Belangrijkste Resultaten

ThoraxCBCT (Publieke Data)

• Top Performers: SynDeeds was de officiële winnaar en behaalde de hoogste gemiddelde DSC (70,16%). ConvexAdam (een baseline geleverd door de organisatoren) behaalde de hoogste algemene rangorde over alle metrieken (Rank 0,710) en de laagste TRE (4,93 mm), hoewel deze niet in aanmerking kwam voor de officiële winst.
• Prestatietrends: Grote structuren (longen) werden met hoge nauwkeurigheid geregistreerd door alle methoden. Kleine, langwerpige structuren (slokdarm, ruggenmerg) bleven uitdagend.
• Divergentie in Metrieken: Fourier-Net behaalde de laagste TRE maar een lagere DSC, terwijl SynDeeds en ConvexAdam een sterke DSC lieten zien met een iets hogere TRE, wat aangeeft dat verschillende metrieken verschillende aspecten van de registratiekwaliteit vastleggen.

OncoReg (Private Data)

• Top Performers: TimH behaalde de beste algemene prestatie (Rank 0,73), waarbij het met name uitblonk in HD95 (6,92 mm) en TRE30, grotendeels dankzij de preprocessing strategie om FBCT's te croppen om overeen te komen met het CBCT field-of-view. DINO-Reg Ensemble volgde op korte afstand (Rank 0,67), met de laagste mediane TRE (3,94 mm) en de hoogste DSC (63,89%).
• Generalisatie: Methoden die sterk leunden op instance-level optimalisatie (bijv. DINO-Reg) toonden sterke prestaties, maar tegen de kosten van een hoge runtime (>300s). ConvexAdam behield competitieve prestaties met runtimes onder de 5 seconden.
• Domeinverschuiving: Verschillende methoden presteerden verschillend tussen ThoraxCBCT en OncoReg, wat de impact van domeinverschuiving (verschillen in scanners, acquisitieprotocollen) benadrukt. Zo presteerde NiftyReg relatief beter op ThoraxCBCT, maar had het moeite met de distorsies in de OncoReg-dataset waar mismatches in het field-of-view niet waren geadresseerd.

4. Belangrijkste Bijdragen en Bevindingen

Het artikel presenteert de volgende primaire bijdragen en inzichten:

1. Privacy-Preserving Benchmarking: De succesvolle implementatie van een Type 3 challenge framework toont aan dat hoogwaardige algoritmeontwikkeling en -validatie kan plaatsvinden op gevoelige medische data zonder publieke vrijgave van data, wat de weg vrijmaakt voor generaliseerbare AI-modellen.
2. Belang van Feature Extractie: De hoogst gerangschikte methoden (ConvexAdam, DINO-Reg) vertrouwden zwaar op robuuste feature extractie strategieën. Het artikel concludeert dat of features nu handmatig zijn ontworpen (ConvexAdam) of geleerd via zelf-supervisie (DINO-Reg), een sterke feature representatie de hoeksteen is van succesvolle registratie.
3. Preprocessing en Domeinadaptatie: Het succes van TimH onderstreept dat keuzes in preprocessing, specifiek het afhandelen van gedeeltelijke field-of-view overlap en domeinadaptatie, even cruciaal kunnen zijn als de registratiearchitectuur zelf. Het negeren van de mismatch in anatomische dekking tussen FBCT en CBCT leidt tot significante fouten aan de randen.
4. Complementariteit van Metrieken: De analyse toonde een matige negatieve correlatie tussen TRE en DSC ($\rho = -0,52$), wat bevestigt dat landmark nauwkeurigheid en segmentatie overlap verschillende aspecten van registratiekwaliteit vastleggen. Geen enkele metriek is voldoende; multi-metriek evaluatie is essentieel.
5. Hybride Benaderingen: De combinatie van klassieke methoden met deep learning (bijv. het gebruik van ConvexAdam keypoints om VoxelMorph++ te verfijnen) toonde veelbelovend resultaat, wat suggereert dat hybride pipelines specifieke contexten kunnen overtreffen ten opzichte van pure deep learning of pure optimalisatie benaderingen.

5. Betekenis en Claims

De auteurs beweren dat OncoReg een uitgebreide benchmark biedt voor FBCT-naar-CBCT registratie in radiotherapie, met inzichten in de huidige stand van zaken van deformabele beeldregistratie. De betekenis van het werk ligt in:

• Klinische Relevantie: Door te focussen op de specifieke uitdagingen van IGRT (modaliteitsmismatch, respiratoire beweging en anatomische veranderingen), adresseert de challenge een directe klinische behoefte voor adaptieve radiotherapie.
• Methodologische Inzichten: De resultaten benadrukken dat hoewel deep learning krachtig is, klassieke optimalisatie en feature engineering essentieel blijven. Het artikel suggereert dat toekomstige vooruitgang niet alleen afhangt van nieuwe architecturen, maar van betere feature extractie, domeinadaptatie en het afhandelen van gedeeltelijke beeldoverlap.
• Toekomstige Richtingen: De auteurs suggereren bescheiden dat toekomstige challenges grotere multi-center datasets, uitgebreidere cross-validatie en een gebalanceerde overweging van computationele efficiëntie naast nauwkeurigheid moeten bevatten, aangezien de huidige top-presterende methoden vaak vertrouwen op computationeel dure instance-level optimalisatie.

Het artikel concludeert dat hoewel de best presterende methoden indrukwekkende nauwkeurigheid bereikten, de afweging tussen nauwkeurigheid, robuustheid en computationele efficiëntie een cruciaal gebied blijft voor toekomstig onderzoek om routine klinische inzet mogelijk te maken.