Deformable Medical Image Registration with KAN-based Implicit Neural Representations

Stel je voor dat je twee foto's hebt van dezelfde kamer, maar de ene is vanuit een iets andere hoek genomen, of misschien is het meubilair door elkaar geschoven. Je brein weet instinctief hoe je de tweede foto mentaal kunt "schuiven" en "rekken" zodat deze perfect overeenkomt met de eerste. Deze mentale truc wordt beeldregistratie genoemd, en in de medische wereld is het een superkracht. Artsen gebruiken het om scans van de longen, hersenen of het hart van een patiënt uit te lijnen die op verschillende momenten of met verschillende machines zijn gemaakt. Als ze deze niet perfect kunnen uitlijnen, kunnen ze niet zien of een tumor groeit, of een hartspier verzwakt, of of een behandeling werkt.

Lama tijd probeerden computers dit te doen door middel van brute kracht, waarbij ze pixel voor pixel pixels rondverschoof, wat traag en omslachtig was. Toen vonden wetenschappers "neurale netwerken" uit—computerbreinen die leren door naar duizenden voorbeelden te kijken. Deze nieuwe computers werden ongelooflijk snel, maar ze hadden een nadeel: ze moesten gevoed worden met een enorme buffet aan trainingsgegevens om de regels te leren. Als een arts een zeldzaam type scan had of een specifief orgaan dat niet in het trainingsbuffet zat, raakte het computerbrein in de war en maakte het fouten. Het was alsof je probeerde een chef-kok te leren hoe hij een nieuw gerecht moet koken door hem alleen recepten voor pizza te laten zien; hij zou moeite hebben met sushi.

Dit artikel introduceert een slimme nieuwe manier om computers te leren hoe ze medische beelden uit te lijnen zonder een enorme bibliotheek van voorbeelden nodig te hebben. In plaats van duizenden plaatjes uit het hoofd te leren, leert de computer een kaart te tekenen die vloeiend en continu is voor slechts de twee beelden waar hij op dit moment naar kijdt. Denk aan een meesterkleermaker die, in plaats van een kast vol kant-en-klare pakken te hebben, een enkele klant op maat neemt en ter plekke een perfect pak knipt. De onderzoekers gebruikten een nieuw soort wiskundig hulpmiddel genaamd een Kolmogorov-Arnold Network (KAN). Waar oudere computerbreinen vaste, rigide regels gebruiken (zoals een vooraf ingesteld recept), gebruiken KANs "leerbare" regels die kunnen rekken en buigen, net als een stuk klei, om bij de unieke vorm van de anatomie van de patiënt te passen.

Het team, onder leiding van onderzoekers van de Lomonosov Staatsuniversiteit van Moskou, bouwde twee versies van dit nieuwe systeem: KAN-IDIR en RandKAN-IDIR. Ze testten deze systemen op drie zeer verschillende medische uitdagingen: het uitlijnen van long-CT-scans (die veel bewegen door de ademhaling), hersen-MRI-scans (die zeer gedetailleerd zijn) en hart-MRI-scans (die kloppen en van vorm veranderen).

Dit is wat ze vonden. De nieuwe systemen waren ongelooflijk nauwkeurig en evenaarden vaak de beste bestaande methoden of versloegen deze zelfs. Maar de echte magie zat in hoe ze zich gedroegen. Oudere methoden die probeerden vanaf nul te leren voor elk paar beelden, waren soms "wiebelig"—als je de computer met een iets andere willekeurige instelling begon (zoals het anders gooien van de dobbelstenen), veranderde het resultaat drastisch. De nieuwe KAN-gebaseerde methoden waren rotsvast; ongeacht hoe ze werden gestart, produceerden ze hetzelfde hoogwaardige resultaat. Dit is een enorme zaak voor de wetenschap, omdat het betekent dat onderzoekers de resultaten kunnen vertrouwen zonder zich zorgen te maken over een gelukkige of ongelukkige start.

De onderzoekers ontdekten ook een manier om het systeem nog sneller te maken. Door willekeurig een paar "bouwstenen" te kiezen om de kaart te construeren in plaats van elke afzonderlijke bouwsteen te gebruiken, creëerden ze RandKAN-IDIR. Deze versie was ongeveer 30% sneller dan de standaardversie (het duurde ongeveer 43 seconden in plaats van 63 seconden op een longscan) terwijl de hoge nauwkeurigheid behouden bleef. Het is alsof je beseft dat je niet elke baksteen in een magazijn nodig hebt om een perfecte muur te bouwen; een slimme, willekeurige selectie van de juiste bakstenen werkt net zo goed en krijgt de klus sneller geklaard.

Het artikel betoogt expliciet tegen het idee dat je enorme datasets nodig hebt om goede resultaten te behalen. Ze lieten zien dat hun methode, die geen vooraf getraind "brein" nodig heeft dat gevoed is met duizenden afbeeldingen, beter werkt dan die big-data-modellen voor specifieke taken zoals longregistratie. Ze sloten ook een complexere versie van hun eigen idee uit, die probeerde te "leren" welke bouwstenen te gebruiken tijdens het proces, omdat zij vonden dat dit te traag was en de resultaten niet daadwerkelijk verbeterde ten opzichte van hun simpelere willekeurige aanpak.

Kortom, dit artikel suggereert dat door gebruik te maken van flexibele, wiskundige "klei" (KANs) in plaats van rigide recepten of enorme geheugenbanken, we medische beelden sneller, betrouwbaarder en met minder rekenkracht kunnen uitlijnen. De auteurs maten deze resultaten op echte datasets en vonden dat hun methode minder fouten en minder "gevouwen" of verdraaide delen in het uiteindelijke beeld produceert, wat het een veelbelovende tool maakt voor artsen en onderzoekers die behoefte hebben aan precieze, reproduceerbare resultaten zonder een supercomputer of een bibliotheek van miljoenen scans nodig te hebben.