Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks

Probleemstelling

Prostaatkanker (PCa) is een leidende oorzaak van kankergerelateerde sterfte bij mannen. Hoewel Hybrid Multi-Dimensional MRI (HM-MRI) een krachtige techniek is voor het kwantificeren van weefselcompositie (stroma, epitheel en lumen), lijden bestaande AI-gedetecteerde methoden aan beperkingen:

1. Bias-veld inhomogeniteiten: MRI-scans vertonen vaak lage-frequentie intensiteitsvariaties (bias fields) die de diagnose verstoren.
2. Beperkte generalisatie: Bestaande Convolutionele Neural Networks (CNN's) worstelen vaak met variabiliteit tussen verschillende MRI-sequenties en gebrek aan consistentie tussen aangrenzende slices (inter-slice).
3. Afhankelijkheid van handmatige kenmerken: Traditionele radiomics-methoden zijn minder robuust dan diepe leerbenaderingen, maar directe end-to-end CNN's kunnen soms "spurious cues" (schijnbare patronen) uit de data halen in plaats van echte pathologische kenmerken.

Er is dus behoefte aan een robuust, geautomatiseerd AI-kader dat deze artefacten expliciet corrigeert voordat de classificatie plaatsvindt.

Methodologie: HBR-Net-18

De auteurs stellen HBR-Net-18 (Hadamard-Bias Network + ResNet-18) voor, een tweestaps AI-kader dat werkt op zes kwantitatieve biomerkers afgeleid van HM-MRI via een Physics-Informed Autoencoder (PIA).

Fase 1: Bias-Aware Biomarker Correctie (Hadamard U-Net)

• Doel: Onderdrukken van lage-frequentie intensiteitsinhomogeniteiten (bias fields) en ruis in de zes biomerkerskaarten (o.a. epitheelvolume, diffusiviteit, T2-relaxatietijden).
• Architectuur: Een leerbaar, probabilistisch Hadamard U-Net.
• Innovatie: In plaats van convolutie, maakt deze laag gebruik van de Walsh-Hadamard-transformatie. Dit vervangt vermenigvuldigingen door teken-gebaseerde optellingen, wat leidt tot energie-efficiëntere en snellere berekeningen.
• Training: Het netwerk wordt getraind om de output te laten overeenkomen met kaarten die zijn gecorrigeerd met het N4-algoritme (N4ITK).
• Cruciaal mechanisme: Na training worden de parameters van dit correctienetwerk bevroren (frozen). Dit zorgt voor een strikte scheiding tussen bias-normalisatie en kankerbeslissing, waardoor de classifier niet kan vertrouwen op intensiteitsartefacten.

Fase 2: Patch-level Kanker Classificatie (ResNet-18)

• Data Voorbereiding: De gecorrigeerde kaarten worden beperkt tot het prostaatgebied en opgesplitst in overlappende 11x11 patches.
• 3D Context: Om ruimtelijke consistentie te verbeteren, worden aangrenzende slices ($N-1, N, N+1$) samengevoegd. Dit resulteert in input-tensors van formaat $3 \times 6 \times 11 \times 11$ (3 slices, 6 biomerkers).
• Architectuur: Een ResNet-18 classifier.
  • De patches worden eerst opgeschaald via een leerbare convolutielaag (projectie naar $18 \times 16 \times 16$) gevolgd door een $3 \times 3$ convolutie met Batch Normalization en ReLU.
  • De uiteindelijke output is een kanswaarde voor kanker per patch.
• Verliesfunctie: Er wordt gebruikgemaakt van Focal Loss om het onbalansprobleem op te lossen tussen kanker- en niet-kanker patches.

Belangrijkste Bijdragen

1. Decoupled Framework: Een unieke tweestapsaanpak waarbij bias-correctie en classificatie strikt gescheiden zijn, wat de robuustheid tegen acquisitie-afhankelijke artefacten verhoogt.
2. Hadamard-gebaseerde Correctie: Toepassing van de Hadamard-transformatie binnen een U-Net voor efficiënte bias-field correctie in MRI.
3. 3D Ruimtelijke Integratie: Het gebruik van overlappende patches met aangrenzende slices ($N \pm 1$) verbetert de ruimtelijke consistentie ten opzichte van puur 2D-methoden.
4. Klinisch Relevante Biomerkers: Gebruik van zes specifieke, fysisch geïnformeerde weefselbiomerskers (via PIA) in plaats van ruwe MRI-intensiteiten.

Resultaten

De prestaties zijn geëvalueerd op een dataset van 86 patiënten (34 zonder kanker, 52 met kanker) via 5-voudige cross-validatie.

• Patch-level Prestaties (Tabel I):
  • HBR-Net-18 bereikte een nauwkeurigheid van 93,8%, met een sensitiviteit van 94,4% en specificiteit van 93,3%.
  • Dit is een significante verbetering ten opzichte van:
    • Radiomics (80,0% nauwkeurigheid).
    • ResNet-18 op ruwe data (62,5% nauwkeurigheid).
    • ResNet-50 (82,1% nauwkeurigheid).
• Patiënt-level Prestaties (Tabel II):
  • HBR-Net-18 behaalde 83,7% nauwkeurigheid (88,5% sensitiviteit, 78,5% specificiteit).
  • De specificiteit voor kanker-vrije patiënten was 292,50% hoger dan bij radiomics-methoden.
• Ablatie Studie (Tabel III):
  • Het verwijderen van de bias-correctie (Fase 1) liet de nauwkeurigheid dalen naar 89,1%.
  • Het werken in een puur 2D-omgeving (zonder aangrenzende slices) verlaagde de nauwkeurigheid naar 88,2%.
  • De 11x11 patch-grootte bleek de optimale afweging tussen lokale details en context.

Betekenis en Conclusie

De studie demonstreert dat het combineren van fysisch geïnformeerde biomerkers met een gespecialiseerd AI-kader (HBR-Net-18) aanzienlijk superieur is aan conventionele radiomics en standaard CNN's voor prostaatkanker detectie.

• Klinische Impact: De methode biedt een hoge balans tussen sensitiviteit en specificiteit, wat essentieel is om onnodige biopsieën te verminderen en de diagnose te verbeteren.
• Beperkingen: De huidige dataset is relatief klein, wat het gebruik van nog complexere architecturen (zoals Transformers) beperkt. Ook werden tijdens de training geen goedaardige "mimics" (zoals BPH of ontstekingen) uit kankerpatiënten opgenomen.
• Toekomst: Verdere onderzoek richt zich op het integreren van deze goedaardige weefsels in de training om de lokale nauwkeurigheid en klinische robuustheid verder te verhogen.

Samenvattend biedt HBR-Net-18 een veelbelovende, reproduceerbare en nauwkeurige oplossing voor de automatische detectie van prostaatkanker, met name door de expliciete aanpak van MRI-artefacten via een Hadamard-gebaseerd correctienetwerk.