KidMesh: Computational Mesh Reconstruction for Pediatric Congenital Hydronephrosis Using Deep Neural Networks

Probleemstelling

Pediatrische congenitale hydronephrose (CH) is een veelvoorkomende aandoening waarbij de nierbekkens en kelken opzwellen door urineophoping, vaak veroorzaakt door obstructie. Voor een nauwkeurige diagnose en prognose wordt Magnetische Resonantie Urografie (MRU) gebruikt. Hoewel bestaande voxel-gebaseerde segmentatiemethoden (zoals CNN's) CH-regio's kunnen identificeren, zijn ze beperkt tot morfologische kenmerken (grootte, vorm).

Om functionele assessments uit te voeren, zoals computervloeistofdynamica (CFD) voor urodynamische simulaties, moeten deze voxel-resultaten worden omgezet in 3D-mesh-representaties. Dit proces vereist traditioneel complexe, tijdrovende post-processing stappen (zoals het Marching Cubes-algoritme en topologiecorrectie). Deze stappen leiden vaak tot mesh-structuren met "trapsgewijze artefacten" (staircase artifacts) door de beperkte resolutie van medische beelden, wat de nauwkeurigheid van CFD-simulaties beïnvloedt. Bovendien ontbreken er vaak nauwkeurige mesh-annotaties voor training, omdat het handmatig genereren van dergelijke mesh-gegevens zeer arbeidsintensief is.

Methodologie: KidMesh

Het paper introduceert KidMesh, een end-to-end deep learning-framework dat direct computationele meshes reconstrueert vanuit MRU-beelden, zonder de noodzaak voor post-processing. De architectuur bestaat uit drie hoofdmodules:

1. Feature Extraction Module (FEM):

   • Een 3D U-Net-achtige architectuur (encoder-decoder) die hiërarchische feature maps uit de MRU-beelden haalt.
   • Gebruikt die supervisie op meerdere schalen om de segmentatie van de hydronephrose te verbeteren en boundary-gevoelige features te leren.

2. Feature Sampling Module (FSM):

   • Dient als brug tussen de voxel-features en het mesh.
   • Voert Grid Sampling uit: het projecteert 3D feature maps op mesh-vertices via trilineaire interpolatie.
   • Integreert een learnable neighborhood sampling mechanisme en een self-attention mechanism om zowel lokale als lange-afstand geometrische afhankelijkheden tussen vertices te modelleren.

3. Mesh Deformation Module (MDM):

   • Start met een vooraf gedefinieerd, glad, ellipsoïde template-mesh (met boltopologie).
   • Past een coarse-to-fine strategie toe: het mesh wordt geleidelijk vervormd door voorspelde verplaatsingsvectoren (displacements) per vertex.
   • Dynamische Vertex Upsampling (VU): Tussen vervormingsstappen wordt het mesh-resolutie verhoogd via uniforme unpooling (het verdelen van driehoekige vlakken).
   • Vertex Filter (VF): Een unieke component die nieuwe vertices selecteert op basis van hun geometrische bijdrage. Vertices die weinig of negatief bijdragen aan de reconstructie worden verwijderd om de mesh-stabiliteit te behouden.

Training en Supervisie:

• KidMesh maakt gebruik van een zwakke supervisie-strategie. In plaats van handmatig geannoteerde mesh-gegevens (die schaars zijn), worden "pseudo-gold standard" meshes gegenereerd vanuit handmatig gesegmenteerde voxel-masks (via Marching Cubes).
• Het model wordt getraind met een hybride verliesfunctie:
  • Extraction Loss: Dice en Cross-Entropy loss voor de segmentatie.
  • Reconstruction Loss: Chamfer loss (geometrische afstand), Laplacian loss (gladheid), Normal loss (normaalrichting), Edge Length loss, Area loss, en een nieuwe Seal Loss om de watertichtheid en topologische correctheid te garanderen zonder zelfdoorsnijdingen.

Belangrijkste Bijdragen

1. Eerste End-to-End Framework: KidMesh is het eerste systeem dat direct CFD-klaar meshes voor pediatrische CH genereert vanuit MRU-scans, zonder handmatige post-processing.
2. Dynamische Vertex Upsampling (VU): Een innovatieve aanpak binnen een coarse-to-fine pijplijn om de heterogene geometrie van CH (grote structuren en fijne kelken) nauwkeurig te vangen.
3. Zwakke Supervisie: Elimineert de afhankelijkheid van dure mesh-annotaties door te leren van pseudo-gold standard meshes, wat de klinische toepasbaarheid vergroot.
4. Topologische Correctheid: Door middel van specifieke regularisatietermen (zoals Seal Loss) worden meshes gegenereerd die waterticht, zonder zelfdoorsnijdingen en direct bruikbaar zijn voor CFD-simulaties.

Resultaten

De prestaties van KidMesh zijn geëvalueerd op een dataset van 160 pediatrische patiënten:

• Snelheid: KidMesh genereert een mesh in gemiddeld 0,36 seconden, vergeleken met minuten tot tientallen seconden voor traditionele methoden (voxel-segmentatie + post-processing).
• Nauwkeurigheid:
  • De gereconstrueerde meshes behaalden een Dice-score van 0,86 (na rasterisatie) vergeleken met handmatige maskers.
  • De geometrische fouten waren laag: slechts 3,7% van de vertices had een foutafstand > 3,2 mm en 0,2% > 6,4 mm.
  • Het presteerde beter dan bestaande mesh-deformatiemodellen (zoals MeshDeformNet) op metrics zoals Hausdorff Distance (HD) en Point-to-Surface Distance (P2SD).
• Topologie: De meshes vertoonden geen zelfdoorsnijdingen en waren topologisch correct (waterticht).
• CFD-Simulatie: De gegenereerde meshes werden succesvol gebruikt voor urodynamische simulaties. De stroomsnelheid en drukverdeling kwamen sterk overeen met simulaties op handmatig geoptimaliseerde meshes (minder dan 3,6% afwijking in gemiddelde snelheid). Dit bevestigt dat de meshes fysiologisch bruikbaar zijn.

Betekenis en Toekomstperspectief

KidMesh overbrugt de kloof tussen anatomische beeldvorming en functionele analyse. Door direct CFD-klaar meshmateriaal te leveren, stelt het artsen in staat om urodynamische veranderingen (zoals drukgradiënten en wandschuifspanning) te analyseren, wat waardevolle inzichten biedt voor het beoordelen van de effectiviteit van chirurgische ingrepen bij kinderen.

De studie benadrukt dat hoewel het model zeer succesvol is, er nog uitdagingen zijn bij zeer kromme gebieden (zoals smalle nierkelken) en generalisatie naar verschillende scanners. Toekomstig werk richt zich op het uitbreiden van het framework naar het volledige urinewegstelsel en het verbeteren van de robuustheid via multi-center datasets.

Kortom, KidMesh biedt een revolutionaire, geautomatiseerde oplossing voor de 3D-reconstructie van complexe pediatrische nierpathologieën, wat de weg vrijmaakt voor precisie-medicijn en simulatie-gedreven chirurgische planning.