⚡ electrical engineering

Unsupervised Adaptation from FDG to PSMA PET/CT for 3D Lesion Detection under Label Shift

Deze paper introduceert een onbewaakte domeinadaptatieframework dat een FDG PET/CT-detectormodel aanpast aan PSMA PET/CT-data door labelverschuivingen in laesiegrootte en -aantal te compenseren via adaptieve anker-herbepaling en kwota-gebaseerde pseudo-labelselectie, wat resulteert in verbeterde 3D-laesiedetectie.

Oorspronkelijke auteurs: Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang

Gepubliceerd 2026-03-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Xiaofeng Liu, Menghua Xia, Yanis Chemli, Georges El Fakhri, Chi Liu, Jinsong Ouyang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hoe een slimme computer leert om kankergroeien te vinden in een nieuwe taal

Stel je voor dat je een zeer ervaren detective hebt getraind om dieven te vinden in een specifieke stad (laten we die stad FDG noemen). Deze detective kent de straten, de gebouwen en het gedrag van de dieven in die stad perfect. Hij is zo goed dat hij elke dief kan vinden, zelfs als ze zich verstoppen.

Nu krijgen we een nieuwe opdracht: we moeten dezelfde detective sturen naar een heel andere stad, PSMA. Deze stad ziet er totaal anders uit. De huizen zijn anders gebouwd, de straten zijn krommer, en de dieven gedragen zich anders. Maar hier is het probleem: we hebben geen landkaarten of lijsten met de namen van de dieven in deze nieuwe stad. We moeten de detective daar laten werken zonder dat hij daar ooit eerder is geweest.

Dit is precies wat deze wetenschappers van Yale hebben gedaan met medische beelden. Ze wilden een computermodel dat kankergroeien (lesies) ziet op PET/CT-scanbeelden van het type FDG, laten werken op beelden van het type PSMA, zonder dat ze duizenden nieuwe scans met handmatige labels nodig hebben.

Hier is hoe ze het oplossen, vertaald in alledaagse termen:

1. Het probleem: De detective is te star

Als je de detective uit stad FDG direct naar stad PSMA stuurt, faalt hij. Waarom?

Het uiterlijk is anders: De "straten" (de beelden) zien er anders uit.
De "dief" is anders: In stad FDG zijn de dieven vaak groot en zwaar. In stad PSMA zijn de dieven vaak heel klein en er zijn er veel meer per persoon.

De detective van FDG is getraind om te zoeken naar grote dieven. Als hij in PSMA aankomt, ziet hij alleen maar kleine dieven en denkt hij: "Ah, dit is geen dief, dit is te klein." Hij negeert ze allemaal. Dit noemen ze in de vakwereld "label shift" (een verschuiving in wat er te vinden is).

2. De oplossing: Twee slimme trucjes

De onderzoekers hebben een systeem bedacht waarbij de detective zichzelf bijleert terwijl hij werkt. Ze gebruiken twee creatieve trucjes om de detective aan te passen:

Truc 1: De "zoeknetten" aanpassen (Anchors)

Stel je voor dat de detective netten gooit om dieven te vangen. In stad FDG gooit hij alleen grote netten. In stad PSMA zijn de dieven echter zo klein dat ze door die grote netten glippen.

De oplossing: De detective gooit eerst een paar netten, kijkt wat hij vangt, en zegt: "Oh, deze dieven zijn klein!" Vervolgens verandert hij zijn netten. Hij maakt ze kleiner en past ze aan op de grootte van de dieven die hij in de nieuwe stad tegenkomt. Dit gebeurt stap voor stap, net als het aanpassen van een pasvorm.

Truc 2: De "verwachtingslijst" herschrijven (Pseudo-labels)

Normaal gesproken zou de detective zeggen: "Ik kies alleen de 50% meest waarschijnlijke dieven." Maar omdat de detective nog steeds denkt dat dieven groot moeten zijn, zou hij alleen de grote (en vaak verkeerde) dieven kiezen.

De oplossing: De onderzoekers zeggen tegen de detective: "Wacht even. We weten dat in deze nieuwe stad 80% van de dieven heel klein is. Dus, als je een lijst maakt met potentiële dieven, moet je niet alleen kijken naar wie het grootst is. Je moet een quota instellen: 'Ik kies 10 kleine dieven, 5 middelgrote en 2 grote'."
Ze laten de detective zelf een schatting maken van hoe de verdeling eruitziet (hoeveel kleine vs. grote dieven er zijn) en gebruiken die schatting om zijn keuzes te corrigeren. Zo zorgt hij ervoor dat hij niet alleen de "grote" dieven ziet, maar ook de vele kleine.

3. Het resultaat: Een super-detektive

Door deze twee trucjes te combineren (netten aanpassen + verwachtingen corrigeren), leert de detective de nieuwe stad PSMA veel sneller en beter dan zonder hulp.

Zonder hulp: De detective ziet bijna niets in de nieuwe stad.
Met alleen netten aanpassen: Hij ziet iets meer, maar mist nog steeds veel kleine dieven.
Met beide trucjes: Hij vindt bijna net zoveel dieven als een detective die speciaal voor stad PSMA is opgeleid (maar dan zonder dat we die speciale trainingstijd nodig hadden).

Waarom is dit belangrijk?

In de echte wereld betekent dit dat artsen sneller en accurater kanker kunnen opsporen met nieuwe soorten scans (zoals PSMA), zonder dat ze jarenlang moeten wachten tot er genoeg handmatig gelabelde data is. Het model "leert" de nieuwe taal van de scans door te kijken naar wat er al is, en past zichzelf slim aan in plaats van blindelings te vertrouwen op oude regels.

Kortom: Ze hebben een computermodel gemaakt dat niet alleen "kijkt", maar ook "denkt" over wat het zou moeten zien, zodat het niet meer vastloopt in de oude gewoontes.

Probleemstelling

De kern van dit onderzoek ligt in het overbruggen van het domeinverschil (domain shift) tussen twee verschillende PET-tracers: FDG (fluorodeoxyglucose) en PSMA (prostaat-specifiek membraanantigeen).

Context: Diepe leermodellen voor het detecteren van laesies in PET/CT-scans worden vaak getraind op grote, gelabelde FDG-datasets. Het handmatig annoteren van nieuwe tracers (zoals PSMA) is echter kostbaar en tijdrovend.
Uitdaging: Bestaande methoden voor Unsupervised Domain Adaptation (UDA) gaan er vaak van uit dat alleen de invoer-uitstraling verandert (covariate shift), maar dat de verdeling van de labels (lesion grootte en aantal) constant blijft.
Specifiek probleem: Bij de overstap van FDG naar PSMA treedt er een aanzienlijke label shift op. PSMA-patiënten hebben gemiddeld meer en kleinere laesies, terwijl FDG-patiënten vaker zeer grote laesies hebben. Een model dat op FDG is getraind, faalt vaak op PSMA omdat het de grootte en het aantal laesies verkeerd inschat. Bestaande UDA-methoden voor detectie negeren deze label shift vaak, wat leidt tot suboptimale prestaties.

Methodologie

De auteurs stellen een Unsupervised Domain Adaptation (UDA) framework voor dat gebruikmaakt van self-training om een detector getraind op gelabelde FDG-data aan te passen aan ongelabelde PSMA-data. Het model is gebaseerd op M3DRetinaNet (een 3D objectdetector).

Het framework introduceert twee specifieke mechanismen om de label shift expliciet te modelleren en te compenseren:

Adaptieve Aanpassing van Anker-Groottes (Epoch-wise Anchor Size Adaptation):
- In plaats van statische ankers te gebruiken, worden de anker-vormen (box-schalen) dynamisch aangepast aan de doel-domein statistieken.
- Het systeem selecteert "pseudo-labels" (betrouwbare voorspellingen) van de PSMA-data en voert k-means clustering uit op deze geselecteerde boksjes.
- De nieuwe ankers worden bijgewerkt via een Exponential Moving Average (EMA) van de vorige ankers en de nieuwe clustering-resultaten. Dit zorgt voor betere dekking van de kleinere PSMA-laesies en stabiliseert de box-regressie.
Prior-Gedreven Pseudo-Label Selectie (Prior-Guided Pseudo-Label Selection):
- In plaats van een vaste drempelwaarde voor vertrouwen te gebruiken, wordt een quotum-systeem per grootte-bin toegepast.
- Het systeem schat twee priors voor het doel-domein (PSMA):
  - Het gemiddelde aantal laesies per patiënt ( $\mu$ ).
  - Een genormaliseerde histogramverdeling van laesiegroottes ( $h$ ).
- Deze priors worden continu bijgewerkt via EMA tijdens het trainingsproces.
- Bij het selecteren van pseudo-labels wordt een "budget" per patiënt toegewezen, dat vervolgens wordt verdeeld over verschillende grootte-bins volgens de geschatte histogramverdeling $h$ . Dit voorkomt dat het model alleen grote laesies selecteert (zoals in de FDG-dataset) en zorgt ervoor dat de verdeling van geselecteerde pseudo-labels overeenkomt met de werkelijke PSMA-populatie.

Trainingscyclus:
Het proces wisselt af tussen:

Supervised learning op de gelabelde bron (FDG).
Inferentie op het doel-domein (PSMA) om nieuwe priors en ankers bij te werken.
Supervised learning op het doel-domein met de gegenereerde pseudo-labels.

Er wordt geen adversarial loss of expliciete feature alignment gebruikt, wat het proces lichter en efficiënter maakt voor 3D-data.

Belangrijkste Bijdragen

Eerste UDA voor 3D Volumetrische Detectie: Dit is, voor zover bekend, de eerste poging tot unsupervised domain adaptation specifiek voor 3D laesiedetectie in volumetrische medische beelden.
Expliciete Modellering van Label Shift: In tegenstelling tot conventionele UDA die alleen covariate shift aanpakt, introduceert dit werk een nieuwe self-training strategie die specifiek rekening houdt met veranderingen in de labelverdeling (grootte en frequentie).
Adaptieve Parameters: Het systeem past adaptief de anker-grootte en de selectiecriteria voor pseudo-labels aan op basis van geschatte doel-domein statistieken, zonder extra gelabelde data te vereisen.

Resultaten

De methode is geëvalueerd op de AutoPET 2024 dataset, met 501 gelabelde FDG-studies als bron en 369 PSMA-studies als doel (waarvan 258 voor training en 74 voor testen).

Prestatieverbetering: Het aangepaste model presteert aanzienlijk beter dan de bron-only baseline (alleen FDG getraind) en conventionele self-training zonder label-shift correctie.
- AP@0.1: Steeg van 0.225 (bron-only) naar 0.613 (volledige UDA met label-shift correctie).
- FROC-analyse: De Free-Response ROC-curves tonen aan dat het aangepaste model een veel hogere sensitiviteit bereikt voor elke gegeven false-positive rate.
Effectiviteit van componenten:
- Alleen het aanpassen van de ankers verbeterde de prestaties al (vooral bij AP@0.1).
- De combinatie van anker-aanpassing en prior-gedreven pseudo-label selectie leverde de beste resultaten op, wat aantoont dat het modelleren van de prevalentie en groottecompositie cruciaal is.
Vergelijking: Hoewel het model nog niet de prestaties bereikt van een model dat volledig op gelabelde PSMA-data is getraind (fine-tuned), benadert het deze prestaties aanzienlijk, gezien het gebrek aan gelabelde doel-data.

Betekenis en Conclusie

Dit onderzoek toont aan dat het expliciet modelleren van label shift (veranderingen in laesiegrootte en -aantal) essentieel is voor succesvolle cross-tracer adaptatie in de medische beeldvorming.

Efficiëntie: De methode is lichtgewicht en vereist geen complexe adversarial training, wat het zeer geschikt maakt voor 3D volumetrische data.
Toepasbaarheid: Het framework kan worden toegepast om kennis over te dragen van grote, bestaande datasets (zoals FDG) naar nieuwe, schaars gelabelde tracers (zoals PSMA), wat de klinische implementatie van AI voor nieuwe tracers versnelt.
Toekomst: De auteurs wijzen op beperkingen zoals de afhankelijkheid van nauwkeurige binning en het huidige gebruik van één klasse, maar zien potentie voor uitbreiding naar multi-class settings en uncertainty-weighted selectie.