ARIADNE: A Perception-Reasoning Synergy Framework for Trustworthy Coronary Angiography Analysis

Each language version is independently generated for its own context, not a direct translation.

🏥 De Probleem: Een Verwarde Schatkaart

Stel je voor dat je een schatkaart tekent van een heel complex bos (de bloedvaten in het hart). Een gewone computerprogramma (zoals de huidige medische software) kijkt alleen naar de kleur van de bladeren. Als het programma ziet dat een stukje groen is, tekent het dat als een boom.

Het probleem? Soms tekent het programma de boom in stukjes. Het ziet wel dat er groen is, maar het vergeet dat de takken met elkaar verbonden moeten zijn. In de echte wereld betekent dit dat de computer denkt dat een bloedvat kapot is, terwijl het eigenlijk gewoon een heel dunne tak is die even niet goed zichtbaar is. Voor een arts is dit gevaarlijk: als je de "schatkaart" in stukjes hebt, kun je de bloedsomloop niet goed begrijpen en kun je een ziekte (een vernauwing) missen of een gezond vat per ongeluk als ziek bestempelen.

🧵 De Oplossing: ARIADNE (De Gids)

De onderzoekers hebben een nieuw systeem bedacht, genaamd ARIADNE. De naam is een knipoog naar de Griekse mythe: Ariadne gaf Theseus een garenkluwen om het doolhof uit te vinden. Net als dat garen, zorgt dit systeem ervoor dat de bloedvaten in de computerbeelden één samenhangend geheel blijven, ook als ze dun of moeilijk te zien zijn.

ARIADNE werkt in twee stappen, net als een team van twee specialisten:

Stap 1: De Tekenaar (Perceptie) – "Kijk niet alleen naar de vlekjes"

De eerste stap is het tekenen van de bloedvaten.

Hoe het vroeger werkte: De computer telde alleen hoeveel pixels goed waren. "Oké, dit stukje is groen, dat is goed." Maar hij keek niet of het een lijn was.
Hoe ARIADNE werkt: De onderzoekers hebben de computer een nieuwe "opdracht" gegeven. Ze hebben hem niet alleen geleerd om vlekjes te zien, maar hem geleerd om te voelen of de lijnen verbonden zijn.
- De Analogie: Stel je voor dat je een kind leert tekenen. In plaats van te zeggen "maak de lijn groen", zeg je: "Zorg dat de lijn niet onderbreekt, want een rivier stopt niet zomaar in het niets."
- Ze gebruiken een slimme techniek (DPO) waarbij de computer twee tekeningen vergelijkt: één met stukjes en één met een hele, vloeiende lijn. De computer leert dan: "Ah, de hele lijn is beter, zelfs als hij niet 100% perfect groen is." Zo krijgt hij een schatkaart zonder gaten.

Stap 2: De Navigator (Redenering) – "Wees slim, niet alleen snel"

Nu de computer een perfecte, hele lijn heeft getekend, moet hij zoeken naar de "schat": de vernauwingen in het vat (stenose).

Het oude probleem: Gewone computers kijken naar de lijn en zeggen: "Oh, hier is het smal, dat is ziek!" Maar soms is het smal omdat twee vaten kruisen of omdat het vat natuurlijk smaller wordt. De computer schreeuwt dan "GEVAAR!" terwijl er niets aan de hand is. Dit zorgt voor veel vals alarm.
Hoe ARIADNE werkt: De tweede stap is een slimme "navigator" (een AI-agent) die langs de getekende lijn loopt.
- De Analogie: Stel je voor dat deze navigator een detective is. Als hij een plek ziet waar het smal is, denkt hij niet direct "Ziekte!". Hij kijkt om zich heen: "Is dit een kruising? Is dit een natuurlijke bocht?"
- De slimme truc: Als de detective twijfelt (bijvoorbeeld bij een ingewikkelde kruising), mag hij zeggen: "Ik weet het niet zeker, laat dit even aan de mens over."
- Dit heet een "afwijzingsmechanisme". In plaats van om het even wat te zeggen, is het systeem liever stil dan dat het een fout maakt. Dit zorgt voor veel minder vals alarm, terwijl het wel alle echte gevaarlijke plekken blijft vinden.

🏆 Wat levert dit op?

Minder fouten: De computer maakt veel minder fouten bij het tekenen van de lijnen. De "schatkaart" is nu echt één geheel.
Betrouwbare diagnoses: Omdat de lijnen goed zijn, kan de detective (de tweede stap) veel beter zien wat echt ziek is en wat gewoon een rare hoek is.
Minder stress voor artsen: Omdat er minder vals alarm is, hoeft de arts niet elke keer te controleren of het wel echt gevaar is. Het systeem werkt als een vertrouwde assistent die alleen roept als het echt nodig is.

💡 De Kernboodschap

Dit onderzoek laat zien dat voor medische AI niet alleen "slim zijn" (veel data kennen) genoeg is. Je moet de computer ook medische logica leren: dat bloedvaten verbonden zijn en dat niet elke smalle plek ziek is.

ARIADNE is dus niet zomaar een snellere computer; het is een computer die verstandig denkt en begrijpt dat in de medische wereld, verbinding en betrouwbaarheid belangrijker zijn dan alleen snelheid. Het maakt de brug tussen "beelden zien" en "echt begrijpen".

Each language version is independently generated for its own context, not a direct translation.

Probleemstelling

Traditionele methoden voor de segmentatie van coronaire bloedvaten in X-ray angiografie (XCA) kampen met een fundamenteel tekort: ze optimaliseren vaak voor pixel-nauwkeurigheid (zoals Dice-score of Cross-Entropy) zonder rekening te houden met topologische consistentie. Dit leidt tot gefragmenteerde vaatstructuren, waarbij distale takken onterecht worden onderbroken. Hoewel deze modellen een hoge pixel-overlap kunnen bereiken, zijn ze klinisch onbruikbaar voor hemodynamische analyse of stenose-quantificatie omdat de continuïteit van het vaatnetwerk verloren gaat.

Daarnaast missen bestaande systemen voor stenosedetectie het vermogen om pathologische vernauwingen te onderscheiden van anatomische artefacten (zoals vaatkruisingen, bifurcaties en verkortingseffecten). Dit resulteert in een hoog aantal false positives, wat leidt tot alarmeringsmoeheid bij clinici en de betrouwbaarheid van geautomatiseerde systemen ondermijnt. Bestaande foundation-modellen (zoals MedSAM) begrijpen de semantiek van vaten, maar falen in het handhaven van de geometrische continuïteit die specifiek is voor medische beelden.

Methodologie: Het ARIADNE Framework

ARIADNE (Anatomy-aware Reasoning for Integrated Angiography Diagnosis and Navigation Expert) is een tweestapsframework dat visuele perceptie koppelt aan klinisch redeneren via twee hoofdmodules:

1. Perceptiemodule: Topologisch Bewuste Segmentatie

Deze module gebruikt een Vision-Language Model (Sa2VA) dat is fijngefineerd met Direct Preference Optimization (DPO) om topologische constraints op te leggen.

Architectuur: Gebruik van de Sa2VA-foundation model (InternViT-6B voor visie, InternLM2 voor taal, SAM-2 decoder).
DPO-strategie: In plaats van alleen pixel-overlap te maximaliseren, wordt het model getraind met voorkeursparen. Een "winning" sample is een segmentatie die topologisch geldig is (één samenhangend component, Betti-getal $\beta_0 = 1$ ), terwijl een "losing" sample een hoge pixel-Dice-score heeft maar topologische breuken (fragmentatie) vertoont. Dit dwingt het model om continuïteit boven lokaal pixel-overlap te prioriteren.
Hard Sample Focused Training (HSFT): Een derde trainingsfase concentreert zich op "moeilijke" gevallen (lage contrast, distale takken, bifurcaties) met een hybride loss-functie (Dice + Binary Cross-Entropy) om de robuustheid in complexe anatomieën te verbeteren.

2. Redeneringsmodule: RL-gestuurde Stenosedetectie

Op basis van de topologisch consistente vaatbomen wordt stenosedetectie geformuleerd als een Markov Decision Process (MDP) met een Reinforcement Learning (RL) agent.

Navigatie: De agent navigeert langs het uitgetrokken vaatcentrumlijn en analyseert lokale geometrische kenmerken (straalgradiënten, kromming).
Afwijkingsmechanisme (Rejection Mechanism): Een cruciaal kenmerk is de mogelijkheid voor de agent om een voorspelling te verwerpen (actie: Reject) bij onduidelijke gevallen (bijv. waar een bifurcatie lijkt op een vernauwing). Dit imiteert het klinische workflow waarbij radiologen twijfelachtige gevallen doorverwijzen voor secundair onderzoek.
Beloningssysteem: De reward-functie straalt fouten zwaar af (vooral False Negatives) en beloont het correct afwijzen van artefacten, waardoor het systeem verschuift van "maximalisatie van dekking" naar "maximalisatie van betrouwbaarheid".

Kernbijdragen

Perceptie Framework: De eerste toepassing van DPO in medische beeldvorming om topologische consistentie af te dwingen in vaatsegmentatie, zonder dat er pixel-voor-pixel annotatie van connectiviteit nodig is.
Redeneringsalgoritme: Een RL-gebaseerde aanpak voor stenosedetectie met een expliciet afwijzingsmechanisme, wat de false-positive rate drastisch verlaagt in complexe anatomische regio's.
Klinische Validatie: Bewijs dat topologisch bewuste perceptie essentieel is voor betrouwbare diagnose, met state-of-the-art resultaten op zowel interne als externe datasets.

Resultaten

Het framework werd getest op 1.400 klinische angiogrammen en gevalideerd op externe datasets (ARCADE en XCAD).

Segmentatie: ARIADNE bereikte een Centerline Dice (clDice) van 0,838, wat significant hoger is dan bestaande methoden (bijv. MedSAM3: 0,7105, FlowVM-Net: 0,8298). Dit bevestigt de superioriteit in het behoud van vaatcontinuïteit.
Stenosedetectie:
- True Positive Rate (TPR): 0,867 (een verbetering van 6,7% t.o.v. de beste baseline).
- False Positives Per Image (FPPI): Verminderd tot 0,85, vergeleken met 1,89–2,45 bij baselines. Dit betekent een reductie van 41% in false positives.
- F1-score: 0,732, wat een uitstekende balans aangeeft tussen sensitiviteit en specificiteit.
Generalisatie: Het model behield zijn prestaties op externe datasets met verschillende acquisitieprotocollen, wat wijst op sterke generalisatievermogen.

Betekenis en Impact

Dit werk markeert een paradigmaverschuiving in de automatische analyse van coronaire angiografie:

Overbrugging van de "Semantic-Topological Gap": Het toont aan dat het simpelweg schalen van foundation-modellen (zoals MedSAM) niet voldoende is voor medische toepassingen; expliciete uitlijning met anatomische principes (via DPO) is noodzakelijk.
Betrouwbaarheid boven Dekking: Door het afwijzingsmechanisme in te bouwen, prioriteert het systeem klinische veiligheid en betrouwbaarheid boven het proberen om elke mogelijke afwijking te detecteren, wat essentieel is voor de adoptie in de kliniek.
Efficiëntie: De gebruikte strategie van "hard sample mining" zorgt ervoor dat de trainingsresources worden ingezet op de meest diagnostisch uitdagende gevallen, wat de efficiëntie van het leerproces verhoogt.

Samenvattend biedt ARIADNE een robuust, trustworthy framework dat de kloof tussen passieve beeldopslag en actieve, geautomatiseerde klinische interpretatie overbrugt, met name door de integratie van topologische constraints en RL-gestuurd redeneren.