Bronchovascular Tree-Guided Weakly Supervised Learning Method for Pulmonary Segment Segmentation

Probleemstelling

De segmentatie van longsegmenten (pulmonary segments) op CT-beelden is cruciaal voor de lokalisatie van kanker en chirurgische planning. Hoewel de segmentatie van longkwabben (lobes) goed geautomatiseerd kan worden dankzij duidelijke fysieke grenzen (fissuren), is de segmentatie van de 18 sub-segmenten binnen deze kwabben uiterst moeilijk.

• Ontbrekende grenzen: De grenzen tussen longsegmenten zijn in medische beelden vaak onzichtbaar of onduidelijk.
• Labeling-schaarste: Pixel-voor-pixel annotatie door radiologen is zeer tijdrovend en foutgevoelig, wat de ontwikkeling van volledig toezicht leermethodes (Fully Supervised Learning - FSL) belemmert.
• Anatomische complexiteit: Een correcte segmentatie moet voldoen aan strikte klinische definities: een segment moet volledig binnen de bijbehorende kwab liggen en de bijbehorende bronchus en slagader moeten erin zijn opgenomen, terwijl intersegmentale aders als grens dienen.

Methodologie: Anatomy-Hierarchy Supervised Learning (AHSL)

De auteurs stellen een zwak toezicht leermethode (Weakly Supervised Learning - WSL) voor, genaamd AHSL. Deze methode gebruikt de anatomische hiërarchie van de long (kwabben en bronchovasculaire boom) als leidraad in plaats van volledige pixel-annotaties van de segmenten.

Het systeem bestaat uit twee hoofdcomponenten:

1. Twee-staps segmentatiestrategie
Om het verlies van structurele informatie te voorkomen dat vaak optreedt bij patch-gebaseerde inferentie in 3D-beelden, wordt een twee-staps aanpak gebruikt:

• Fase 1: Segmentatie van de bronchovasculaire boom (slagaders en luchtwegen) met behulp van FSL. Dit levert een masker op dat als a priori kennis dient.
• Fase 2: De output van Fase 1 wordt samengevoegd met het originele CT-beeld en ingevoerd in een tweede netwerk. Dit netwerk voert de feitelijke segmentatie van de longsegmenten uit. Door de slagaders en luchtwegen expliciet te kennen, kan het model de segmentgrenzen beter afleiden, zelfs als de input-patches monotoon zijn.

2. Anatomische Hiërarchie Supervisie (Verliesfunctie)
In plaats van directe pixel-annotaties voor elk segment, gebruikt AHSL twee niveaus van supervisie gebaseerd op de klinische definitie:

• Segment-niveau supervisie (Direct): Het model wordt direct getraind op de voxels die deel uitmaken van de bronchovasculaire boom (slagader/luchtweg). Dit zorgt ervoor dat het gegenereerde segment deze structuren correct omvat.
• Kwab-niveau supervisie (Indirect): Het model wordt indirect getraind op het niveau van de longkwab. Een voxel in een specifieke kwab moet behoren tot een van de segmenten die in die kwab liggen. Dit voorkomt dat segmenten over de grenzen van de kwab heen groeien (over-segmentatie).

3. Consistentie Verlies (Consistency Loss)
Om de onregelmatige grenzen te corrigeren die vaak ontstaan bij zwak toezicht, wordt een consistency loss toegevoegd. Deze straft de Laplace-operator van de waarschijnlijkheidskaart af, waardoor de waarschijnlijkheidswaarden van een voxel en zijn buren (6-benadering) consistent moeten zijn. Dit resulteert in gladde segmentgrenzen.

4. Evaluatiemetric: #holes
De auteurs introduceren een nieuwe metriek, #holes, om de gladheid van de segmentgrenzen kwantitatief te meten. Deze telt het aantal "gaten" (geïsoleerde gebieden) in de axiale, sagittale en coronale vlakken. Een lager aantal gaten duidt op een topologisch correctere en gladde segmentatie.

Belangrijkste Bijdragen

1. AHSL Framework: Een nieuwe methode die de anatomische definitie van longsegmenten (kwab + bronchovasculaire boom) gebruikt voor zwak toezicht leren.
2. Twee-staps strategie: Een innovatieve aanpak die bronchovasculaire structuurinformatie als prior kennis gebruikt om de segmentatie te sturen.
3. Consistency Loss: Een verliesfunctie die specifiek is ontworpen om de gladheid van de segmentgrenzen te verbeteren.
4. Nieuwe Metriek: De introductie van #holes als objectieve maatstaf voor de topologische kwaliteit en gladheid van de segmentatie.

Resultaten

De methode werd getest op een privé-dataset van 200 CT-scans (104 CTPA en 96 NCCT) en gevalideerd op externe data.

• Vergelijking met Baseline (IPGN): AHSL presteerde aanzienlijk beter dan de bestaande WSL-methode IPGN.
  • Dice-score voor slagaders: >30% verbetering.
  • Dice-score voor luchtwegen: 70-80% verbetering.
  • Gladheid (#holes): Een drastische reductie van het aantal gaten (van ~180-200 bij IPGN naar ~1-2 bij AHSL), wat aantoont dat de grenzen veel natuurlijker en continu zijn.
• Ablatiestudie:
  • Het toevoegen van de twee-staps strategie verbeterde de nauwkeurigheid van de slagader- en luchtwegdetectie.
  • Het toevoegen van de consistentie loss verminderde het aantal gaten met ongeveer 93-94%, zonder de nauwkeurigheid te verlagen.
• Klinische Validatie: Twee radiologen evalueerden 21 externe gevallen. AHSL behaalde gemiddelde scores van 3.67 en 3.71 op een 5-puntsschaal (waarbij 5 "perfect" is), wat aangeeft dat de resultaten klinisch acceptabel en vaak zeer goed zijn.

Betekenis en Conclusie

Deze studie biedt een praktische oplossing voor het probleem van de ontbrekende pixel-annotaties in longsegmentatie. Door de anatomische structuur van de long (kwabben en vaatboom) te benutten als leidraad, kan het model nauwkeurige segmentaties genereren zonder dat er duizenden handmatig gelabelde maskers nodig zijn.

De combinatie van de twee-staps strategie en de consistentie loss zorgt ervoor dat de resultaten niet alleen topologisch correct zijn (geen gaten, gladde grenzen), maar ook voldoen aan de strikte klinische eisen voor chirurgische planning. Dit maakt de methode zeer waardevol voor de overgang van onderzoek naar klinische toepassing in de radiologie.