Volumetric Directional Diffusion: Anchoring Uncertainty Quantification in Anatomical Consensus for Ambiguous Medical Image Segmentation

Probleemstelling

De accurate afbakening van 3D-laesies in medische beeldvorming is uiterst uitdagend, vooral bij equivocaal (onduidelijk) weefsel zoals grondglasopaciteiten of infiltratieve grenzen. In deze gevallen bestaat er een hoge variatie tussen verschillende waarnemers (inter-observer variabiliteit), wat leidt tot een distributie van klinisch plausibele contouren.

Bestaande methoden kampen met twee fundamentele tekortkomingen:

1. Deterministische modellen (zoals nnU-Net): Deze negeren aleatorische onzekerheid en produceren één, vaak te zelfverzekerde voorspelling. Hierdoor worden klinische risico's verborgen.
2. Generatieve modellen (zoals standaard Diffusion Models): Hoewel deze diversiteit kunnen modelleren, leiden ze bij het reconstrueren van complexe 3D-topologieën vanuit puur ruis (isotroop Gaussisch ruis) vaak tot ernstige structurele breuken en "hallucinaties" (anatomisch onjuiste structuren). Het probleem is dat het terugwinnen van een compleet orgaan vanuit puur ruis een slecht gesteld (ill-posed) probleem is voor het doel van het vastleggen van fijne grensvariatiën.

Methodologie: Volumetric Directional Diffusion (VDD)

De auteurs stellen Volumetric Directional Diffusion (VDD) voor om de afweging tussen betrouwbaarheid (fidelity) en diversiteit op te lossen. In plaats van te genereren vanuit nul, verschuift VDD het paradigma naar "residuale exploratie".

Kerncomponenten:

• Anatomische Verankering (Anatomical Anchoring):
  • In plaats van de generatieve trajectorie te laten convergeren naar isotroop ruis, wordt deze wiskundig verankerd aan een deterministische, grove anatomische prior ($\hat{y}$).
  • Deze prior wordt gegenereerd door een standaard baseline netwerk (bijv. nnU-Net). Hoewel $\hat{y}$ niet perfect is (het bevat randfouten), biedt het een correcte macroscopische locatie.
• Directionele Forward- en Reverse-process:
  • Forward-proces: De standaard DDPM formule wordt aangepast. De overgang wordt gedefinieerd als een lineaire combinatie van de grondwaarheid ($y_0$), de prior ($\hat{y}$) en ruis. De formule is:
    $$y_t = \sqrt{\bar{\alpha}_t}y_0 + (1 - \sqrt{\bar{\alpha}_t})\hat{y} + \bar{\beta}_t\epsilon$$
    Hierdoor convergeert de generatieve ruimte niet naar een ongeordende vacuüm, maar naar een gestructureerde omgeving rondom de prior $\hat{y}$.
  • Reverse-proces: Het netwerk voorspelt de ruis, maar de reconstructie van de schone grens ($\hat{y}^\theta_0$) wordt geparameteriseerd zodat de prior $\hat{y}$ als een continue ruimtelijke bias fungeert in elke denoising-stap. Dit dwingt het model om zich te focussen op het verfijnen van microscopische grensambiguïteiten in plaats van het opnieuw uitvinden van de organstructuur.

Belangrijkste Bijdragen

1. Eerste toepassing in 3D: VDD is, voor zover bekend, het eerste werk dat aleatorische onzekerheidskwantificatie in 3D-volumes onderzoekt met behulp van diffusion modellen voor ambigu medische beeldsegmentatie.
2. Anatomische Verankering: De wiskundige herformulering van het diffusion-trajectum om een deterministische structuurprior te integreren. Dit vermindert topologische breuken en dwingt slice-tot-slice consistentie af.
3. Plug-and-Play Refiner: Het model fungeert als een verfijner die state-of-the-art prestaties levert voor onzekerheidsmetrieken zonder de macroscopische structurele nauwkeurigheid te verliezen.

Resultaten

Het model werd gevalideerd op drie multi-rater datasets: LIDC-IDRI (longknooppunten), KiTS21 (niertumoren) en ISBI 2015 (hersentumoren).

• Nauwkeurigheid vs. Onzekerheid:
  • Deterministische baselines (nnU-Net) halen hoge Dice-scores maar falen in het vastleggen van variatie.
  • 2D diffusion-modellen (slice-voor-slice) vertonen catastrofale topologische degradatie (zeer hoge HD95 scores, tot >18).
  • VDD lost deze afweging op: het behoudt hoge Dice-scores (bijv. 0.7609 op LIDC-IDRI, vergelijkbaar met nnU-Net) terwijl het de HD95 drastisch verlaagt (tot 1.36), wat aantoont dat de 3D-consistentie behouden blijft.
• Onzekerheidsmetrieken:
  • VDD presteert state-of-the-art op alle onzekerheidsmetrieken: Generalized Energy Distance (GED), Collective Insight (CI) en Spatial Normalized Cross-Correlation (SNCC).
  • Het model levert klinisch betekenisvolle variaties op in plaats van willekeurige ruis.
• Efficiëntie:
  • VDD vereist slechts 50 stappen om een volledig 3D-volume te reconstrueren, wat aanzienlijk sneller is dan 2D diffusion-modellen die honderden stappen per slice nodig hebben. Dit maakt het toepasbaar voor klinische workflows.

Significantie

Deze studie biedt een oplossing voor het fundamentele probleem van het genereren van anatomisch coherente onzekerheidskaarten.

• Klinische Veiligheid: Door topologische breuken en hallucinaties te voorkomen, kunnen artsen vertrouwen op de gegenereerde onzekerheidskaarten voor risicovolle downstream taken zoals radiotherapieplanning en chirurgische marginaalbeoordeling.
• Decisieondersteuning: De kaarten visualiseren waar de onzekerheid echt ligt (bijv. bij infiltratieve randen) zonder de structuur van het orgaan te verstoren, wat leidt tot veiligere medische beslissingen.

Kortom, VDD bewijst dat het beperken van de generatieve zoekruimte tot een "residuale exploratie" rondom een sterke anatomische prior de beste balans biedt tussen het vastleggen van menselijke variatie en het behoud van medische integriteit.