Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging

Probleemstelling

Multiparametrische MRI (mpMRI), die T2-gewogen (T2w) beelden combineert met diffusie-gewogen beelden (DWI) en dynamisch contrastversterkte (DCE) beelden, is de klinische standaard voor het lokaliseren van prostaatkanker. Echter, het verkrijgen van volledige mpMRI-protocollen is tijdrovend, kostbaar en brengt risico's met zich mee (zoals contrastmiddelen).

• Huidige uitdaging: Bestaande modellen die alleen T2w-beelden gebruiken voor inferentie (voorspelling) presteren vaak slechter dan mpMRI-modellen, vooral omdat T2w-beelden functionele informatie missen die cruciaal is voor het detecteren van subtiele laesies.
• Beperkingen van eerdere studies: Veel bestaande "T2-only" benaderingen vertrouwen op radioloog-annotaties (die subjectief en variabel zijn) of gebruiken methoden voor ontbrekende modaliteiten die de missing data als ruis behandelen of genereren zonder rekening te houden met de diagnostische taak.
• Doel: Het ontwikkelen van een systeem dat tijdens de inferentie uitsluitend T2w-beelden gebruikt, maar tijdens het trainen wel profiteert van de aanwezigheid van DWI-data om de nauwkeurigheid van kankerlokalisatie op histopathologisch niveau te maximaliseren.

Methodologie: Generalized Expectation-Maximization (GEM)

De auteurs stellen een nieuw probabilistisch raamwerk voor dat DWI behandelt als een latente variabele die alleen beschikbaar is tijdens het trainen. Het doel is om de waarschijnlijkheid van kanker te maximaliseren op basis van T2w, waarbij de onzekerheid over de ontbrekende DWI wordt gemarginaliseerd.

Het systeem bestaat uit twee gekoppelde componenten die worden geoptimaliseerd via een Generalized Expectation-Maximization (GEM) algoritme:

1. Latente Modality Generator ($f_G$):

   • Deze module schat de posterior-verdeling van de ontbrekende DWI-beelden gegeven de T2w-beelden.
   • Het maakt gebruik van een Flow Matching-model (in plaats van traditionele diffusion models) binnen een gecodeerde latent space (via een AutoencoderKL).
   • Flow Matching wordt gebruikt omdat het numeriek efficiënter is en minder stappen vereist om de transformatie van T2w naar de gesimuleerde DWI te berekenen.
   • De generator leert de niet-lineaire mapping tussen anatomische (T2w) en functionele (DWI) modaliteiten.

2. Kanker Lokalisator ($f_L$):

   • Deze module voorspelt de maligniteit (ISUP-graad) voor vooraf gedefinieerde anatomische zones (Barzell-zones) op basis van zowel het originele T2w-beeld als de gegenereerde DWI-beelden.
   • Het gebruikt een 3D ResNet-FPN backbone en een RoIAlign-head.
   • Een differentieerbaar Conditional Random Field (CRF) wordt toegepast om ruimtelijke afhankelijkheden tussen naburige zones te modelleren en de voorspellingen te verfijnen.
   • De verliesfunctie is een gewogen Earth Mover's Distance (EMD) om de ordinaal aard van de ISUP-graden (0 tot 5) te respecteren.

Het GEM-algoritme:

• E-stap (Expectation): De generator schat de latente DWI-beelden ($\hat{x}_z$) gegeven de huidige parameters.
• M-stap (Maximization): De parameters van zowel de generator als de lokalisator worden bijgewerkt om de verwachte log-likelihood te maximaliseren. De generator wordt getraind om niet alleen de DWI te reconstrueren, maar specifiek om DWI-beelden te genereren die de lokalisator helpen de juiste diagnose te stellen.
• Inferentie: Tijdens het testen wordt alleen het T2w-beeld ingevoerd. De generator synthetiseert het ontbrekende DWI-signaal, waarna de lokalisator de diagnose stelt.

Belangrijkste Bijdragen

1. Nieuwe Klinische Applicatie: Het is de eerste studie die T2-only inferentie toepast voor prostaatkankerlokalisatie op basis van histopathologische labels (verkregen via biopsie) in plaats van radioloog-annotaties.
2. Probabilistisch GEM-Raamwerk: Een wiskundig onderbouwd raamwerk dat DWI behandelt als een latente variabele, in plaats van als een vast doel voor reconstructie. Dit combineert generatieve en discriminatieve doelen.
3. Efficiëntie en Open Source: Implementatie van een Flow Matching-generator die sneller en nauwkeuriger is dan bestaande diffusion-modellen, met open-source code beschikbaar.
4. Rigoureuze Validatie: Evaluatie op twee grote datasets (PROMIS en een intern "Targeted" dataset) met in totaal 4.133 patiënten, inclusief externe validatie op de PI-CAI dataset.

Resultaten

De prestaties werden geëvalueerd op drie niveaus: Barzell-zones, regio's (Perifere Zone PZ / Transitie Zone TZ) en patiëntniveau.

• Superieure Prestaties: De voorgestelde methode (Ours(LFM)) presteerde beter dan bestaande baselines die alleen T2w gebruiken, en zelfs beter dan multi-modale baselines (T2w + DWI) op sommige metrics.
  • Patiëntniveau: Verbetering van de F1-score met 14,4% en de QWK (Quadratic Weighted Kappa) met 5,3% ten opzichte van de T2w+DWI baseline.
  • Zone-niveau: De methode bereikte een QWK van 26,68, wat significant hoger is dan de T2-only baseline (16,72) en zelfs de multi-modale T2w+DWI baseline (25,34).
• Compensatie van Modaliteitsdeficit: De methode slaagde erin de beperkingen van T2w in de perifere zone (waar T2w normaal gesproken minder gevoelig is) te compenseren door gesynthetiseerde functionele informatie toe te voegen. De F1-score in de perifere zone steeg van 63,15 (T2-only) naar 73,57.
• Ablatiestudies:
  • Het gebruik van een generator die losgekoppeld is van de classificatietask (alleen reconstructie) leverde minder goede resultaten op.
  • De gezamenlijke optimalisatie via GEM was cruciaal voor de beste prestaties.
  • De Flow Matching-generator was efficiënter (8 seconden per volume) dan diffusion-based modellen (10 seconden) en produceerde minder artefacten.
• Kwalitatieve Analyse: De gegenereerde DWI-beelden toonden duidelijke hyperintensiteiten voor kanker (ISUP $\ge$ 2) en verminderden valse positieven bij goedaardige aandoeningen (zoals BPH in de transitiezone).

Betekenis en Conclusie

Dit werk toont aan dat het mogelijk is om een diagnostische pijplijn te creëren die tijdens de klinische praktijk uitsluitend T2w-beelden vereist, terwijl het toch prestaties levert die vergelijkbaar zijn met of zelfs beter zijn dan volledige mpMRI-protocollen.

• Klinische Impact: Dit kan de kosten verlagen, de wachttijden verkorten en de toegankelijkheid van prostaatkankerdiagnostiek vergroten, vooral in centra waar mpMRI niet routinematig beschikbaar is.
• Technische Innovatie: Het bewijst dat het trainen met "geprivilegieerde informatie" (DWI) die alleen tijdens training beschikbaar is, effectief kan worden gebruikt om een model te trainen dat tijdens inferentie zonder die informatie werkt, mits de juiste probabilistische framework (GEM) wordt toegepast.
• Toekomst: De methode biedt een robuust alternatief voor complexe multi-sequentie scans, waarbij de functionele informatie van DWI wordt "geleerd" en gesynthetiseerd uit de anatomische T2w-structuur.