VesselFusion: Diffusion Models for Vessel Centerline Extraction from 3D CT Images

Dit paper introduceert VesselFusion, een diffusiemodel dat 3D CT-beelden gebruikt om op een natuurlijke en stabiele manier bloedvatcentrumlijnen te extraheren via een ruw-naar-fijn representatie en stemmingsgebaseerde aggregatie, wat leidt tot hogere nauwkeurigheid dan traditionele methoden.

De kern

🚑 Het Probleem: De "Gordel van de Auto"

Stel je voor dat je een 3D-scan maakt van een menselijk lichaam, zoals een CT-scan. Daarin zitten honderden kilometers aan bloedvaten, net als de leidingen in een oud huis of de wegen in een grote stad.

Voor artsen is het heel belangrijk om precies te weten waar deze "wegen" (de vaatjes) lopen. Dit helpt bij het plannen van operaties of het diagnosticeren van ziektes.

Maar hier zit een probleem:

1. Het is veel werk: Om een computer te leren deze wegen te zien, moeten mensen (artsen) met de hand elke lijn in de scan inkleuren. Dit is als het inkleuren van een heel groot, ingewikkeld kleurplaatje. Het kost dagen en is vermoeiend.
2. Het is onduidelijk: Soms is de rand van een vaatje wazig. Mensen zijn het dan niet eens over waar de lijn precies begint en eindigt.
3. De oude computers zijn stijf: De oude methodes om deze lijnen te tekenen werken als een robot die alleen rechte lijnen trekt. Als de robot een klein foutje maakt, breekt de lijn of maakt hij een rare lus. Het resultaat ziet er vaak onnatuurlijk uit, alsof iemand met een trillende hand heeft getekend.

💡 De Oplossing: VesselFusion (De "Droomtimmer")

De onderzoekers hebben een nieuwe uitvinding bedacht: VesselFusion. Dit is een slimme computer die werkt met een techniek die "diffusiemodellen" heet.

Om dit te begrijpen, kun je het vergelijken met een kunstenaar die een schilderij maakt door eerst een wazige vlek te hebben en die langzaam scherper te maken.

Hoe werkt het?

1. Van Wazig naar Scherp:
   Stel je voor dat je een foto van een vaatstelsel hebt, maar die is volledig vervormd door ruis (zoals statisch op een oud tv-scherm). VesselFusion begint met die ruis en vraagt zichzelf steeds: "Als ik dit beeld een beetje zou wissen, zou het er dan meer uitzien als een echt vaatstelsel?"
   Het doet dit stap voor stap. Het leert uit duizenden voorbeelden hoe menselijke vaatjes er natuurlijk uitzien. Het weet dat vaatjes niet zomaar in de lucht hangen of in rare lussen eindigen. Het "droomt" dus een realistisch vaatstelsel op basis van de CT-scan.

2. De "Groot-naar-Klein" Strategie (Coarse-to-Fine):
   In plaats van dat de computer probeert elk puntje van de lijn direct op de millimeter nauwkeurig te plaatsen (wat heel lastig is), kijkt hij eerst naar het grote plaatje.

   • Vergelijking: Het is alsof je eerst een schets maakt op een groot rooster (bijvoorbeeld: "de lijn loopt in dit vierkantje"). Daarna kijkt hij pas heel precies naar waar in dat vierkantje de lijn precies zit. Dit maakt het voor de computer veel makkelijker om een stabiel en logisch plaatje te maken.

3. De "Meerstemmige" Stemming (Voting):
   Omdat de computer werkt met een beetje "dromen" (willekeur), kan het zijn dat hij in één keer een rare lijn tekent (bijvoorbeeld een lijn die in een kringetje loopt, wat in het lichaam niet bestaat).

   • De Oplossing: De computer doet de opdracht niet één keer, maar 100 keer tegelijk, elke keer met een heel klein beetje andere "droom" (startpunt).
   • De Stemming: Daarna kijkt de computer naar al die 100 tekeningen. "Waar hebben 90 van de 100 tekeningen een lijn getekend? Dat is waarschijnlijk de echte lijn! Waar slechts 10 een lijn hebben getekend? Dat is waarschijnlijk een foutje."
     Door deze "meerderheidsstemming" te gebruiken, verdwijnen de rare foutjes en blijft alleen de stevige, natuurlijke lijn over.

🏆 Wat is het resultaat?

Toen ze VesselFusion testten op echte medische scans, gebeurde er iets moois:

• Nauwkeuriger: De lijnen zaten veel dichter bij de echte vaatjes dan bij de oude methodes.
• Natuurlijker: De lijnen zagen eruit zoals echte menselijke bloedvaten: glad, zonder rare knikken of losse eindjes.
• Minder werk: Omdat de computer zelf zo goed is, hoeven artsen minder handmatig te corrigeren.

🎯 Samenvatting in één zin

VesselFusion is als een slimme, creatieve assistent die duizenden keer een schets maakt van de bloedvaten in een CT-scan, en dan door te stemmen over de beste schetsen, één perfecte, natuurlijke lijn tekent die artsen kunnen vertrouwen.

Het is een grote stap vooruit in het maken van betere medische plannen, zonder dat mensen urenlang hoeven te tekenen.

Technische samenvatting

Probleemstelling

Het extraheren van het centrumlijn (centerline) van bloedvaten uit 3D CT-beelden is een cruciale taak voor chirurgische planning, diagnose en computergestuurde hemodynamica. Bestaande methoden hebben echter significante beperkingen:

• Segmentatie: Diepe leermodellen voor volumetrische segmentatie vereisen dichte, nauwkeurige 3D-annotaties. Het handmatig labelen van vaatgrenzen is echter arbeidsintensief en vaak ambigu, wat leidt tot ruis en inconsistenties in de annotaties.
• Deterministische benaderingen: Bestaande methoden voor centrumlijn-extractie vertrouwen vaak op deterministische regressie of heuristieken. Deze modellen kunnen de complexe variabiliteit van menselijke vaatstructuren niet goed vastleggen. Ze zijn gevoelig voor ruis en hebben de neiging om gebroken lijnen, spookachtige verbindingen of onnatuurlijke structuren (zoals lussen of scheuren) te genereren.

Methodologie: VesselFusion

De auteurs stellen VesselFusion voor, het eerste model dat gebruikmaakt van een conditionele diffusiemodel (diffusion model) om vaatcentrumlijnen direct uit 3D CT-beelden te genereren. In plaats van een voxel-voor-voxel segmentatie, schat het model direct een reeks coördinaten die de vaatstructuur beschrijven.

De kern van de methode bestaat uit drie belangrijke componenten:

1. Coarse-to-Fine (C2F) Coördinatenrepresentatie:

   • Directe weergave van continue 3D-coördinaten in een diffusiemodel is instabiel vanwege data-schaarste en schaalonevenwichtigheden.
   • VesselFusion encodeert elke coördinaat in een gestructureerde vorm die discrete en continue componenten combineert:
     • Grid-index: De ruimte wordt opgedeeld in een rooster. De positie wordt eerst gekenmerkt door een binaire vector die het specifieke roostercel aangeeft.
     • Lokale offset: Binnen die cel wordt een continue offset (∆x, ∆y, ∆z) geschat om de precieze locatie te bepalen.
     • Validatie-flag: Een binair vlaggetje geeft aan of een punt geldig is of een 'padding' (opvulling).
   • Deze representatie maakt het trainen van het diffusiemodel veel tractabeler.

2. Conditioneel Diffusiemodel:

   • Het model is een denoising diffusion probabilistic model (DDPM) dat conditioneel is op het CT-beeld.
   • Tijdens training wordt ruis toegevoegd aan de C2F-representatie van de waarheid (ground truth), en leert het model (een Transformer-encoder gecombineerd met een 3D CNN voor beeldfeatures) om de oorspronkelijke representatie te reconstrueren.
   • Tijdens inferentie wordt het proces omgekeerd (van pure ruis naar een schatting) met behulp van DDIM-sampling.

3. Aggregatie op basis van Stemming (Voting-Based Aggregation):

   • Omdat diffusiemodelle stochastisch zijn, kan een enkele generatie onnatuurlijke structuren (zoals lussen of losse fragmenten) produceren.
   • Om dit op te lossen, genereert het model $K$ verschillende sets coördinaten vanuit verschillende initiële ruispatronen.
   • Deze sets worden geaggregeerd via een voxel-wise voting-mechanisme. Een punt wordt alleen als onderdeel van de finale centrumlijn geaccepteerd als het in voldoende mate (boven een dynamisch berekende drempel $\tau$) voorkomt in de gegenereerde sets. Dit zorgt voor een stabielere en anatomisch consistenter resultaat.

Belangrijkste Bijdragen

1. Eerste generatieve aanpak: VesselFusion is de eerste methode die een generatief model (diffusie) toepast voor de extractie van vaatcentrumlijnen uit 3D CT-beelden.
2. Nieuwe representatie en aggregatie: De introductie van de Coarse-to-Fine coördinatenrepresentatie en de stemming-gebaseerde aggregatie om natuurlijke en stabiele structuren te garanderen.
3. Superieure prestaties: Experimentele evaluaties tonen aan dat de methode superieur is aan conventionele methoden in zowel nauwkeurigheid als de natuurlijkheid van de gegenereerde vaatstructuren.

Experimentele Resultaten

De methode werd geëvalueerd op het publieke ImageCAS-dataset (1.000 coronaire CT-volumes) en vergeleken met een U-Net (segmentatie-basismodel) en VesselFormer (een state-of-the-art graaf-gebaseerde methode).

• Nauwkeurigheid (Quantitatief):
  • VesselFusion behaalde de hoogste F1-scores voor alle afstandsdrempels ($R=1, 2, 3$).
  • Vooral bij $R=1$ (strakke nauwkeurigheid) scoorde het model significant beter, wat aangeeft dat de geschatte coördinaten zeer dicht bij de grondwaarheid liggen.
• Structuurkwaliteit (Topologie):
  • De kwaliteit werd ook gemeten via Betti-getallen (Betti-0 voor verbroken componenten, Betti-1 voor lussen).
  • De baseline (U-Net) had veel verbroken componenten (hoge Betti-0).
  • VesselFormer verbeterde de connectiviteit maar introduceerde veel onnatuurlijke lussen (hoge Betti-1).
  • VesselFusion slaagde erin om zowel Betti-0 als Betti-1 te minimaliseren, wat resulteert in een continue, lus-vrije en anatomisch realistische vaatstructuur.
• Ablatiestudie:
  • Zowel de C2F-representatie als de stemming-aggregatie leverden individueel verbeteringen op.
  • De combinatie van beide gaf de beste resultaten.
  • Het verhogen van het aantal steekproeven ($K$) voor stemming verbeterde de stabiliteit (lagere Betti-0), hoewel de nauwkeurigheid (F1-score) al rond $K=10$ verzadigde.

Betekenis en Conclusie

VesselFusion markeert een verschuiving in de vaat-extractie van deterministische naar generatieve modellen. Door de complexiteit van menselijke anatomie te modelleren via een kansverdeling, kan het model onnatuurlijke artefacten onderdrukken die vaak voorkomen bij deterministische regressie.

De methode biedt een robuustere oplossing voor het bouwen van modellen die vaatstructuren schatten, met name omdat het minder afhankelijk is van perfecte, dichte annotaties (aangezien het werkt met centrumlijnen die makkelijker te traceren zijn dan volledige segmentaties). Hoewel de computekost voor de stemming-aggregatie een beperking blijft voor toekomstig werk, bewijst VesselFusion dat diffusiemodellen een krachtig instrument zijn voor het genereren van anatomisch plausibele medische structuren.