Synthesis of Late Gadolinium Enhancement Images via Implicit Neural Representations for Cardiac Scar Segmentation

Probleemstelling

Late Gadolinium Enhancement (LGE) beeldvorming is de klinische standaard voor het beoordelen van myocardiale littekens (fibrose). Het ontbreken van grote, hoogwaardige, handmatig geannoteerde datasets vormt echter een grote belemmering voor de ontwikkeling van geautomatiseerde segmentatiemethoden.

• Moeilijkheden: Handmatige annotatie vereist gespecialiseerde expertise, is arbeidsintensief en onderhevig aan variabiliteit tussen en binnen waarnemers.
• Beeldkwaliteit: LGE-beelden hebben vaak een lage ruimtelijke resolutie, bewegingsartefacten en variabele contrastversterking, wat de segmentatie bemoeilijkt.
• Bestaande oplossingen: Traditionele data-augmentatie (rotatie, schaling) faalt vaak in het vastleggen van complexe ruimtelijke relaties. Bestaande generatieve methoden (zoals domeintranslatie) vereisen vaak nog steeds handmatige annotaties van de gegenereerde beelden of zijn beperkt door de beschikbaarheid van niet-contrast cine CMR-scans.

Methodologie

De auteurs stellen een unificerend kader voor dat Implicit Neural Representations (INR's) combineert met denoising diffusion models om zowel synthetische LGE-beelden als hun bijbehorende segmentatiemaskers te genereren zonder extra handmatige annotatie.

Het proces verloopt in vier hoofdstappen:

1. Gecombineerde INR-modeling (Joint Image-Mask INR):

   • LGE-beelden en hun segmentatiemaskers (myocardium en fibrose) worden gemodelleerd als continue functies binnen één enkel INR-kader.
   • Er wordt gebruikgemaakt van Sinusoidal Representation Networks (SIREN) met periodieke activaties om fijne details vast te leggen.
   • De architectuur heeft een gedeelde backbone ($\phi_{shared}$) die ruimtelijke coördinaten ($x, y, z$) omzet naar meerdere outputs: grijsintensiteit ($\hat{I}$) en binaire maskers voor myocardium ($\hat{M}_1$) en fibrose ($\hat{M}_2$).
   • Dit zorgt voor anatomische consistentie door gewichtsdelen (weight-sharing) voor anatomische structuren.

2. Latente Ruimte Compressie (INR2VEC):

   • Omdat de INR-parameters te groot zijn om direct te manipuleren, worden deze gecomprimeerd tot een compacte latente vector ($z \in \mathbb{R}^{512}$) met behulp van een encoder genaamd INR2VEC.
   • Deze encoder reduceert ongeveer 260.000 parameters naar een 512-dimensionale vector, waarbij essentiële anatomische informatie behouden blijft.

3. Diffusie-gebaseerde Synthese:

   • Een Elucidated Diffusion Model (EDM) werkt in deze latente ruimte om nieuwe, diverse latente representaties te genereren.
   • Het model leert het toevoegen en verwijderen van ruis (forward en reverse diffusion process) om nieuwe data-punten te creëren die de verdeling van de echte data nabootsen.

4. Decoding en Segmentatie:

   • De gegenereerde latente vectoren worden gedecodeerd terug naar INR-parameters.
   • Deze INR's worden vervolgens "afgevraagd" (queried) om nieuwe synthetische LGE-beelden en bijbehorende segmentatiemaskers te produceren.
   • Deze synthetische data wordt gebruikt om een bestaand segmentatiemodel (nnU-Net) te trainen.

Belangrijkste Bijdragen

• Anatomische consistentie zonder annotatie: Het is de eerste methode die latent diffusion gebruikt om direct paren van beeld en masker te synthetiseren, waardoor de noodzaak voor handmatige annotatie van synthetische data wordt geëlimineerd.
• Continue representatie: Door INR's te gebruiken worden continue ruimtelijke relaties vastgelegd, wat vaak beter is dan discrete augmentatietechnieken.
• Unificatie: Het kader behandelt beeldgeneratie en maskergeneratie als één gezamenlijk probleem, wat zorgt voor perfecte alignering tussen het gegenereerde beeld en de grondwaarheid (masker).

Resultaten

De methode werd getest op een dataset van 133 patiënten (korte-as LGE CMR scans). De synthetische data werd gebruikt om een nnU-Net te trainen voor segmentatie.

• Kwaliteit van synthese:

  • Visuele inspectie toont aan dat de synthetische beelden anatomisch plausibel zijn, met consistente wanddikte en realistische lokalisatie van fibrose binnen de myocardiale wand.
  • Hoewel de textuur buiten het myocardium vereenvoudigd is, behouden de regio's van belang (myocardium en fibrose) een hoge structurele fideliteit.
  • Metrieken zoals PSNR en SSIM tonen gemiddelde waarden aan, wat aangeeft dat de beelden niet pixel-perfect identiek zijn aan echte scans, maar wel een vergelijkbare intensiteits- en textuurverdeling hebben.

• Segmentatieprestaties:

  • Fibrose: De prestaties voor fibrose-segmentatie verbeterden significant. De Dice-score steeg van 0,509 (baseline, alleen echte data) naar 0,524 bij augmentatie met 200 synthetische volumes (+2,9%).
  • Apicale regio's: De grootste verbetering (+9,5%) werd gezien in de apicale slices (top 25%), waar fibrose vaak klein, heterogeen en ondervertegenwoordigd is in de echte data.
  • Myocardium: De segmentatie van het myocardium zelf bleef stabiel (Dice ~0,815) met een lichte daling bij meer synthetische data, wat suggereert dat de bestaande data al voldoende was voor deze structuur en dat synthetische data vooral helpt bij zeldzame/heterogene structuren.

Betekenis en Conclusie

Dit onderzoek demonstreert dat het gecombineerd genereren van LGE-beelden en segmentatiemaskers via INR's en diffusiemodellen een krachtige strategie is om het tekort aan geannoteerde medische data aan te pakken.

• Klinische relevantie: De methode verbetert specifiek de detectie van myocardiale fibrose, wat cruciaal is voor patiëntbehandeling en prognose, zonder extra handwerk te vereisen.
• Toekomstperspectief: De studie legt de basis voor verdere verbeteringen in synthese-fideliteit en toont aan dat synthetische data-augmentatie het meest effectief is voor ondervertegenwoordigde en heterogene structuren. Dit kan leiden tot een aanzienlijke reductie in de noodzaak voor handmatige annotatie in de toekomstige ontwikkeling van medische AI-modellen.