Vision-Based Reasoning with Topology-Encoded Graphs for Anatomical Path Disambiguation in Robot-Assisted Endovascular Navigation

Probleemstelling

Robot-assisterende percutane coronaire interventies (PCI) worden momenteel beperkt door de inherente beperkingen van 2D Digital Subtraction Angiography (DSA). In tegenstelling tot artsen, die tactiele feedback en hun kennis van de anatomie kunnen integreren, moeten geteleopereerde robotische systemen volledig vertrouwen op 2D-projecties. Dit gebrek aan ruimtelijke context en tastzin leidt tot projectie-geïnduceerde ambiguïteiten, vooral bij vasculaire bifurcaties (vertakkingen). In een 2D-projectie kunnen bloedvaten die op verschillende dieptes liggen visueel overlappen en lijken op een echte kruising of bifurcatie. Conventionele padplanningsalgoritmen (zoals kortste-pad-methoden) interpreteren deze schijnbare kruisingen vaak als echte, wat leidt tot verkeerde navigatie en potentiële patiëntschade. Bestaande methoden die 3D-reconstructie of multi-view informatie gebruiken, zijn vaak te rekenintensief voor realtime gebruik of vereisen specifieke beeldvorming die niet altijd intraoperatief beschikbaar is.

Methodologie: Het SCAR-UNet-GAT Framework

De auteurs stellen een tweestapsframework voor, genaamd SCAR-UNet-GAT, dat realtime robotische padplanning mogelijk maakt door visuele waarneming te koppelen aan topologie-gecodeerde grafische redenering.

1. Fase 1: Hoge-Fideliteit Vasculaire Segmentatie (SCAR-UNet)

• Architectuur: Een verbeterde U-Net die gebruikmaakt van een encoder-decoder structuur.
• Kerninnovatie: Integratie van ruimtelijke coördinaat-attention (CoordAttention), SimAM (parameter-vrije attention) en SE (channel reweighting) blokken. Dit versterkt de gevoeligheid voor fijne structuren en onderdrukt ruis.
• Context: Een Atrous Spatial Pyramid Pooling (ASPP) module wordt gebruikt om multi-schaal context te vangen.
• Verliesfunctie: Een hybride verliesfunctie combineert Soft Dice Loss en Focal Tversky Loss om het probleem van extreme class-imbalance (weinig vaatweefsel ten opzichte van achtergrond) aan te pakken en dunne, kronkelige vaten nauwkeurig te segmenteren.
• Output: Een binaire masker waaruit het skelet (centerlines) en knooppunten (eindpunten en bifurcaties) worden geëxtraheerd.

2. Fase 2: Topologie-bewuste Padplanning met Graph Attention Networks (GAT)

• Grafconstructie: Op basis van het gesegmenteerde masker wordt een vaatgraf $G=(N, E)$ opgebouwd.
  • Knooppunten (N): Vertegenwoordigen eindpunten en bifurcaties.
  • Randen (E): Verbinden knooppunten via het unieke skelettraject.
• Feature Encoding: Voor elk knooppunt en elke rand worden geometrische descriptors (diameter, hoek, lengte) gecombineerd met lokale beeldfeatures (patches uit de DSA afbeelding verwerkt door een ResNet-18 backbone).
• Redenering (GAT): Een Graph Attention Network wordt gebruikt om de doorgankelijkheid en anatomische plausibiliteit van elke rand te schatten.
  • In tegenstelling tot conventionele Graph Convolutional Networks (GCN), leert de GAT adaptieve attention-coëfficiënten. Dit stelt het model in staat om klinisch relevante bifurcaties te benadrukken en projectie-geïnduceerde valse kruisingen te onderdrukken.
• Padselectie: Het optimale pad wordt gevonden door een kortste-pad zoekopdracht op de negatieve log-likelihoods van de randen, wat leidt tot een anatomisch consistente route.

Belangrijkste Bijdragen

1. SCAR-UNet-GAT Framework: Een unificatie van segmentatie en planning die specifiek is ontworpen voor 2D DSA-geleide robotische navigatie.
2. Vaatgraf Constructie: Een strategie die geometrische en beeldgebaseerde features fuseert om echte bifurcaties betrouwbaar te onderscheiden van projectie-geïnduceerde kruisingen.
3. Topologie-bewuste Redenering: Het gebruik van GAT om projectie-ambiguïteiten op te lossen, wat resulteert in een aanzienlijk hogere succesratio dan traditionele methoden.

Resultaten

De methode werd gevalideerd op een klinische DSA-dataset (768 trainings-, 200 validatie- en 109 testbeelden) en een robottplatform met een vasculaire phantom.

• Segmentatie (SCAR-UNet):
  • Bereikte een Dice-coëfficiënt van 93,1%, wat hoger is dan state-of-the-art modellen zoals U-Net (89,4%), Attention U-Net (90,5%) en Swin-UNet (92,0%).
  • Biedt een goede balans tussen nauwkeurigheid en snelheid (58 FPS).
• Padplanning en Disambiguatie:
  • Disambiguatie Succesratio: 95,0% (19/20 gevallen) voor de voorgestelde methode, vergeleken met 60,0% voor kortste-pad-methoden en 75,0% voor heuristische methoden.
  • Doelbereik Succesratio: 90,0% (18/20) voor de voorgestelde methode, versus 55,0% (kortste pad) en 70,0% (heuristisch).
• Robotic Validation:
  • Experimenten op een robotplatform (met een monokamera, grijper en pomp) bevestigden dat het systeem in staat is om een gidsdraad (guidewire) veilig en correct naar het doel te sturen, zonder vast te lopen in valse bifurcaties. Het gebruikte YOLOv5 voor draadtip-detectie en PID-regeling voor beweging.

Significantie

Dit werk adresseert een kritieke bottleneck in robot-assisterende endovasculaire chirurgie: het gebrek aan ruimtelijk inzicht bij het werken met 2D-beeldvorming.

• Klinische Impact: Door projectie-ambiguïteiten automatisch op te lossen, verhoogt de methode de veiligheid en betrouwbaarheid van robotische PCI-procedures, wat essentieel is voor de bredere klinische adoptie.
• Technische Vooruitgang: Het paper toont aan dat het combineren van diep leren voor segmentatie met grafische neurale netwerken voor topologische redenering een superieure oplossing biedt ten opzichte van puur meetkundige of heuristische benaderingen.
• Toekomstperspectief: Het framework legt de basis voor gesloten-lus (closed-loop) robotische interventies, waarbij waarneming, planning en controle naadloos met elkaar zijn geïntegreerd, en opent de weg voor toekomstige uitbreidingen met 3D-context en onzekerheidsbewuste redenering.