🤖 AI

Disentangled Anatomy-Disease Diffusion (DADD) for Controllable Ulcerative Colitis Progression Synthesis

Het artikel stelt Disentangled Anatomy-Disease Diffusion (DADD) voor, een nieuw kader dat controleerbare longitudinale endoscopieafbeeldingen van colitis ulcerosa synthetiseert door patiëntspecifieke anatomie te ontkoppelen van ziekteernst via een Feature Purifier en een Triple-Pathway Cross-Attention-mechanisme, waardoor hooggetrouwe afbeeldingen over alle ernstniveaus worden gegenereerd om scheve datasets in evenwicht te brengen en downstream classificatie te verbeteren.

Oorspronkelijke auteurs: Umut Dundar, Alptekin Temizel

Gepubliceerd 2026-05-06

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Umut Dundar, Alptekin Temizel

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

Stel je voor dat je een foto hebt van de maagwand van een persoon (opgenomen via een endoscoop). Soms is deze wand gezond en roze; op andere momenten is hij rood, gezwollen en geulcerd door een aandoening die Ulceratieve Colitis heet. Artsen gebruiken een score van 0 tot 3 om aan te geven hoe ernstig het is.

Het probleem is dat medische data schaars is. We hebben niet genoeg foto's van de maag van dezelfde persoon in elk stadium van de ziekte om te bestuderen hoe deze in de loop van de tijd verandert. Bovendien zijn de foto's die we wel hebben, onevenwichtig: we hebben talloze foto's van "gezonde" gevallen, maar zeer weinig van "ernstige" gevallen.

De auteurs van dit artikel hebben een tool ontwikkeld genaamd DADD (Disentangled Anatomy-Disease Diffusion) om dit op te lossen. Denk hierbij aan een "Medische Tijdreis-Foto-editor."

Zo werkt het, met behulp van eenvoudige analogieën:

1. Het Probleem: De "Kleverige" Rommel

Normaal gesproken raakt AI in de war wanneer je probeert een ziekte in een foto te veranderen (bijvoorbeeld een gezonde maag in een zieke maag omtoveren). Het is alsof je probeert een muur te verven terwijl de verf nog nat is; de nieuwe kleur mengt zich met de oude textuur.

In technische termen is het "geheugen" van de AI van de unieke anatomie van de patiënt (de plooien en vorm van hun maag) vastgeplakt aan het geheugen van de ziekte (de roodheid en zweren). Als je de AI vraagt de ziekte erger te maken, kan het per ongeluk de vorm van de maag veranderen. Als je vraagt de ziekte beter te maken, kan het per ongeluk de unieke kenmerken van de patiënt wissen.

2. De Oplossing: De "Kenmerkzuiveraar" (De Wasmachine)

Om dit op te lossen, gebruikt DADD een speciaal onderdeel genaamd een Kenmerkzuiveraar.

Stel je voor dat de afbeeldingsdata van de AI een mand met wasgoed is, waarbij de "anatomie" van de patiënt schone witte overhemden zijn en de "ziekte" modderige sokken. Ze zijn allemaal door elkaar gemengd.

De Zuiveraar kijkt in de mand, identificeert welke delen de "modderige sokken" (de ziekte) zijn, en verwijdert ze.
Het laat alleen de "schone witte overhemden" achter (de unieke anatomie van de patiënt).
Nu heeft de AI een schoon canvas van alleen de maagstructuur van de patiënt, zonder ziekte.

3. De "Drievoudige Weg"-Keuken

Zodra de AI de schone anatomie heeft, moet de ziekte weer worden toegevoegd, maar op een specifiek niveau (bijvoorbeeld: "Laat het eruitzien als een ernstigheidsgraad van 2").

De auteurs hebben een speciale keuken gebouwd met drie aparte transportbanden (wegen) die naar de kookpot (het AI-model) leiden:

De Anatomie-band: Vervoert de schone patiëntstructuur.
De Ziekte-band: Vervoert de instructies voor welke ziekte moet worden toegevoegd.
De Delta-band: Vervoert de instructies voor hoeveel er moet worden veranderd.

De Geheime Saus (Frequentie-bewuste Routing):
De AI weet dat verschillende delen van de afbeelding verschillende behandelingen nodig hebben.

Laag-resolutie lagen (het grote plaatje) zijn als het skelet van de maag. De AI stuurt de Anatomie-band hierheen om ervoor te zorgen dat de vorm van de maag niet verandert.
Hoog-resolutie lagen (de fijne details) zijn als de huidtextuur. De AI stuurt de Ziekte-band hierheen om de roodheid en zweren op te schilderen zonder de vorm in de war te sturen.

Dit zorgt ervoor dat de patiënt eruitziet als zichzelf, maar de ziekte er precies uitziet zoals gevraagd.

4. "Delta-Sturing": Het Volumeknopje

De meeste AI-tools die afbeeldingen veranderen, vereisen dat je het proces twee keer uitvoert (een keer om de afbeelding te zien, en een keer om te zien wat er gebeurt als je geen instructies geeft) om het verschil te bepalen. Dit is traag.

DADD gebruikt Delta-Sturing. Denk hierbij aan een volumeknop of een dimmer.

In plaats van de machine twee keer te laten draaien, draai je gewoon aan de knop.
Als je wilt gaan van "Mild" naar "Ernstig", draai je de knop omhoog.
Als je wilt gaan van "Ernstig" naar "Genezen", draai je hem omlaag.
Dit gebeurt in één doorgang, waardoor het proces twee keer zo snel is als andere methoden.

Wat hebben ze bereikt?

Ze hebben dit getest op een dataset van echte colonoscopie-afbeeldingen (LIMUC).

Het Resultaat: Ze konden een foto van een patiënt met een milde ziekte nemen en een foto genereren van diezelfde patiënt met een ernstige ziekte, en vice versa.
Het Bewijs: Toen ze deze gegenereerde foto's gebruikten om een computer te trainen om de ziekte te diagnosticeren, werd de computer veel beter in het onderscheid maken tussen milde en ernstige gevallen.
De Vangst: Als je het "volumeknopje" (sturingsschaal) te hoog draait, wordt de afbeelding vervormd en ziet het er raar uit. Maar bij de juiste instelling werkt het prachtig.

Kortom: DADD is een tool die de unieke lichaamsvorm van een patiënt scheidt van hun ziekte, waardoor artsen kunnen simuleren hoe de aandoening van die specifieke patiënt in de loop van de tijd beter of slechter kan worden, terwijl de identiteit van de patiënt intact blijft.

Technische Samenvatting: Ontkoppelde Anatomie-Ziekte Diffusie (DADD) voor Controleerbare Synthese van Progressie van Colitis Ulcerosa

1. Probleemstelling

De synthese van longitudinale medische beelden op controleerbare ziektestadia wordt gehinderd door de verstrengeling van patiëntspecifieke anatomische kenmerken en pathologische texturen. In de context van Colitis Ulcerosa (CU) volgt ziekteernst een continue ordinaire progressie, gedefinieerd door de Mayo Endoscopische Score (MES), variërend van 0 (normaal) tot 3 (ernstig). Bestaande datasets, zoals LIMUC, lijden onder ernstige klasse-ongelijkheid en een gebrek aan longitudinale follow-up vanwege de invasieve aard van herhaalde endoscopieën.

Huidige generatieve benaderingen staan voor een kritieke "verstrengelingsbottleneck". Methoden die generatie conditioneren op referentieafbeeldingen (bijvoorbeeld IP-Adapter met CLIP-encoders) embedden onvermijdelijk de bronpathologie in de anatomische representatie. Bij het proberen een contrafactuele progressie te synthetiseren (bijvoorbeeld het veranderen van een bronafbeelding van MES 3 naar MES 0) ontvangt het model tegenstrijdige signalen: het moet de anatomische structuur behouden terwijl het tegelijkertijd de bronpathologie verwijdert en een nieuw ernstigheidsniveau genereert. Deze semantische conflicten leiden vaak tot structurele artefacten of het falen om bestaande ziektekenmerken te verwijderen.

2. Methodologie

Het voorgestelde kader, Disentangled Anatomy-Disease Diffusion (DADD), lost dit op door anatomische identiteit expliciet te scheiden van ziekteernst binnen een latente diffusiemodel. De architectuur integreert drie nieuwe componenten in een standaard Stable Diffusion-ruggengraat:

2.1. Additieve Ordinaire Embedder (AOE)

Om de continue aard van MES te modelleren, maakt het kader gebruik van een AOE die ernstigheid voorstelt als een cumulatieve som van leerbare incrementen. Een hoger MES-niveau omvat alle kenmerken van lagere niveaus plus extra pathologie. Dit maakt de generatie van willekeurige tussenliggende ernstigheidsniveaus mogelijk via continue interpolatie.

2.2. Feature Purifier

Om de verstrengeling tussen anatomie en bronziekte op te lossen, wordt een Feature Purifier geïntroduceerd. Deze module werkt in drie fasen:

Identificatie: Een cross-attention-laag queryt de afbeeldingstokens tegen de bronziekte-embedding (afgeleid van het bron-MES-label) om ziekte-gecorreleerde kanalen te identificeren.
Gating: Een gating-MLP genereert een sigmoid-masker om de onderdrukking van deze geïdentificeerde kenmerken te sturen.
Uitwissing: Een gated residual-subtractie verwijdert het ziektecomponent uit de afbeeldingstokens, wat resulteert in "gezuiverde" anatomietokens ( $e_{clean}$ ) die structurele identiteit behouden maar de bronpathologie missen.

2.3. Triple-Pathway Cross-Attention

In plaats van alle conditioneringstokens te concateneren, maakt DADD gebruik van een split-injectiemechanisme met drie distincte pathways die in de U-Net worden geïnjecteerd:

Anatomie Pathway: Verwerkt de gezuiverde anatomietokens ( $e_{clean}$ ) met behulp van vooraf getrainde projecties om structurele reconstructie te behouden.
Ziekte Pathway: Verwerkt de doelziektetokens ( $e_{aoe}^t$ ) met behulp van aparte, bias-vrije projecties.
Delta Pathway: Verwerkt de directionele ernstigheidsverandering ( $\Delta$ ) afgeleid van het verschil tussen doel- en bronembeddings.

Frequentie-bewuste Routing: Het kader maakt gebruik van resolutie-afhankelijke routing-gates ( $g_a, g_d$ ) om de bijdrage van anatomie versus ziekte op verschillende U-Net-dieptes te wegen. Blocks met lage resolutie (die globale structuur vastleggen) worden zwaar gewogen naar anatomie, terwijl blocks met hoge resolutie (die fijne textuur vastleggen) worden gewogen naar ziekte. Dit zorgt ervoor dat ziekte-aanpassingen beperkt blijven tot fijnkorrelige pathologische texturen zonder de globale mucosale structuur te verstoren.

2.4. Delta Steering

Om precieze controle over ziekte-overgangen mogelijk te maken zonder de rekenkosten van Classifier-Free Guidance (CFG), introduceren de auteurs Delta Steering. Dit is een trainingsvrij, single-pass directioneel signaal afgeleid van het geprojecteerde verschil tussen doel- en bronordinaire embeddings.

Mechanisme: $\Delta = \text{proj}(E[y_t]) - \text{proj}(E[y_s])$ .
Operatie: Tijdens inferentie wordt $\Delta$ verwerkt via de bias-vrije ziekteprojecties om een getekend, grootte-proportioneel signaal in het attention-mechanisme te injecteren.
Voordeel: Dit elimineert de noodzaak voor onvoorwaardelijke forward passes, wat de inferentielatentie met ongeveer 2× reduceert ten opzichte van standaard CFG.

3. Belangrijkste Bijdragen

Ontkoppeling via Uitwissing: Een op cross-attention gebaseerde Feature Purifier die dynamisch ziekte-gecorreleerde kanalen uit afbeeldingstokens identificeert en onderdrukt, waardoor anatomie effectief wordt ontkoppeld van pathologie.
Frequentie-bewuste Injectie: Een Triple-Pathway Cross-Attention-mechanisme met vaste routing-gates dat anatomische en pathologische signalen naar geschikte U-Net-lagen stuurt op basis van de resolutiehiërarchie.
Delta Steering: Een nieuw, single-pass controlemechanisme voor monotoon ziekteprogressie dat getekende, grootte-proportionele controle biedt, en een efficiënter alternatief voor CFG biedt.
Gerichte Augmentatie: Een empirische demonstratie dat het synthetiseren van subjectspecifieke longitudinale data effectief scheve klasseverdelingen herbijstelt, waardoor de prestaties van downstream classificatie worden verbeterd.

4. Experimentele Resultaten

Het kader werd gevalideerd op de LIMUC-dataset (10.284 afbeeldingen) met behulp van Stable Diffusion v1.4.

Kwaliteit van Generatie: Hoewel sommige varianten (DADD-I, DADD-U) lagere Fréchet Inception Distance (FID)-scores behaalden, slaagden ze er niet in om discriminerende pathologische kenmerken te produceren, wat resulteerde in bijna-willekeurige prestaties in downstream taken. De Hierarchical Routing (DADD-H) configuratie, die ziekte-injectie afstemt op lagen met hoge resolutie, behaalde het beste evenwicht.
Downstream Classificatie: DADD-H verbeterde significant de classificatie-accuratesse en Quadratic Weighted Kappa (QWK) ten opzichte van baselines. In een "Synthetic Only" trainingsscenario (geen echte data) behaalde DADD-H 61,68% accurate en 70,74 QWK, wat beter presteerde dan de IP-AOE baseline (54,54% / 42,20 QWK).
Fideliteit van Ernstigheid: Een Regression Judge, getraind op echte data, evalueerde de synthetische output. DADD-H behaalde 81,53 QWK en 0,46 RMSE, wat nauw aansluit bij de prestaties van modellen getraind op echte data (83,28 QWK / 0,47 RMSE). Dit bevestigt dat het model pathologie werkelijk transformeert in plaats van de bron te repliceren.
Inferentiesnelheid: DADD-varianten behaalden ongeveer een 2× snelheidswinst ten opzichte van op CFG gebaseerde baselines (bijvoorbeeld 187,3 ms/afbeelding versus 314,6 ms/afbeelding bij batchgrootte 8) vanwege het single-pass delta steering-mechanisme.
Kwalitatieve Analyse: Visuele vergelijkingen toonden aan dat DADD-H succesvol bestaande pathologische texturen uitwiste bij het synthetiseren van lagere ernstigheidsniveaus (bijvoorbeeld MES 3 $\to$ 0), terwijl IP-Adapter-baselines faalden in het verwijderen van bronziekte, wat resulteerde in verstrengelde generaties.

5. Betekenis en Claims

Het artikel claimt dat DADD een robuust kader biedt voor het synthetiseren van longitudinale medische beelden waarbij patiëntspecifieke anatomie wordt behouden terwijl ziekteernst op controleerbare wijze wordt gemoduleerd. De auteurs benadrukken dat:

Verdelingsgelijkenis (FID) onvoldoende is voor het valideren van conditionele progressiesynthese; modellen met een lage FID kunnen erin falen om pathologie betekenisvol te veranderen.
Ontkoppeling cruciaal is: Het expliciet uitwissen van bronziekte-informatie uit de anatomische embedding is noodzakelijk om semantische conflicten tijdens contrafactuele generatie te voorkomen.
Efficiëntie: Het delta steering-mechanisme biedt een rekenkundig efficiënt alternatief voor CFG, waardoor controleerbare synthese praktischer wordt voor klinische toepassingen.
Klinische Nut: Het vermogen om gebalanceerde, subjectspecifieke longitudinale data te genereren, adresseert direct de endemische klasse-ongelijkheid in medische datasets, waardoor het trainen van downstream diagnostische classifiers wordt verbeterd.

De auteurs merken op dat de prestaties gevoelig blijven voor de steering-schaal ( $\lambda_{steer}$ ), waarbij waarden $\ge 5$ structurele artefacten introduceren, en suggereren toekomstig werk over per-klasse steering-schema's en uitbreiding naar andere longitudinale medische modaliteiten.