R2AoP: Reliable and Robust Angle of Progression Estimation from Intrapartum Ultrasound

Probleemstelling

Een nauwkeurige schatting van de Hoek van Progressie (AoP) uit intrapartum transperineale echografie is essentieel voor een objectieve beoordeling van de voortgang van de bevalling en klinische besluitvorming. Echter, geautomatiseerde AoP-schatting staat voor aanzienlijke uitdagingen:

1. Verslechtering van de beelden: Echografische beelden lijden onder korrelruis (speckle noise), laag contrast, akoestische afschaduwing en onscherpe grenzen, wat leidt tot variabiliteit in de zichtbaarheid van de Symphysis Pubis (PS) en de Foetale Kop (FH).
2. Versterking van fouten: AoP is een gekaskerde geometrische maatstaf die is afgeleid van de PS-as en de FH-tangens. Zelfs geringe segmentatiefouten op grensniveau kunnen geometrisch worden versterkt, wat resulteert in aanzienlijke hoekafwijkingen en verminderde meetstabiliteit.
3. Domeinverschuivingen: Klinische implementatie omvat variaties tussen verschillende echografische apparaten, acquisitieparameters en operators. Modellen die zijn getraind op brondata deterioreren vaak wanneer ze worden toegepast op doeldomeinen met verschillende beeldintensiteiten en texturen.

Bestaande methoden geven vaak prioriteit aan segmentatie-nauwkeurigheid of gaan uit van consistente beeldvormingsomstandigheden, waardoor ze niet inspelen op de specifieke behoefte aan stabiliteit onder verschillende omstandigheden en onderdrukking van foutversterking in geometrische berekeningen.

Methodologie: R2AoP Framework

De auteurs stellen R2AoP voor, een raamwerk dat structureel geïnformeerde segmentatie, confidence-gestuurde geometrische modellering en een lichtgewicht testtijd-adaptatiestrategie integreert.

1. Drie-tak Lokale-Structuur-Versterkende Backbone

Om de afbakening van kritieke grenzen (PS en FH) te verbeteren, vervangen de auteurs standaard backbones door een drie-tak gedeelde encoderingsarchitectuur:

• Globale Context: Een tak behoudt de globale context.
• Lokale Aandacht: Twee extra takken benadrukken complementaire lokale regio's met behulp van een gating-mechanisme. Ruimtelijke gating-kaarten worden voorspeld op ondiepe, hoog-resolutie features en worden pixelgewijs vermenigvuldigd met de invoer om complementaire weergaven te vormen.
• Fusie: De drie stromen delen een encoder om multi-scale features te extraheren, die op elke schaal worden gefuseerd en naar de decoder worden doorgegeven. Deze architectuur wordt end-to-end getraind om de nauwkeurigheid en stabiliteit van grensvoorspelling te verbeteren.

2. Confidence-Gestuurde Geometrische Modellering

In plaats van uitsluitend te vertrouwen op binaire segmentatiemaskers, maakt de methode gebruik van pixel-level confidence-kaarten ($S$) die door het netwerk worden voorspeld:

• Gewogen Contourfitting: Grenspunten worden gewogen op basis van hun ruimtelijke confidence. Er wordt een gewogen ellipsfitting uitgevoerd op de FH-contour om geometrische parameters (centrum, assen, rotatie) af te leiden.
• AoP-berekening: De AoP wordt berekend op basis van de driehoekige relatie tussen de PS-as en de tangens van de gefitte FH-ellips.
• Betrouwbaarheidsmaatstaf ($C_{AoP}$): Een AoP-confidence score wordt gedefinieerd als de gemiddelde ruimtelijke confidence van de belangrijkste grenspunten die worden gebruikt in de geometrische berekening. Deze maatstaf kwantificeert de betrouwbaarheid van de specifieke meting.

3. Geometrie-Betrouwbare Testtijd-Adaptatie (TTA)

Om domeinverschuivingen aan te pakken zonder doelanotaties, introduceren de auteurs een lichtgewicht TTA-strategie die tijdens inferentie alleen een klein subset van parameters (affine parameters van normalisatielagen en lineaire lagen) bijwerkt. De optimalisatiedoelstelling ($L_{tta}$) combineert drie onbewaakte constraints:

• Entropieminimalisatie ($L_{ent}$): Moedigt confidente segmentatievoorspellingen aan door pixel-level entropie te minimaliseren, waardoor kansverdelingen van vlak naar scherp worden gedreven.
• Ruimtelijke Smoothness Regularisatie ($L_{tv}$): Gebruikt Total Variation (TV) om kansverschillen tussen aangrenzende pixels te bestraffen, waardoor versterking van lokale ruis wordt voorkomen en ruimtelijke coherentie wordt gewaarborgd.
• Geometrie-Betrouwbare Constraint ($L_{aop}$): Een nieuwe term die de AoP-confidence ($C_{AoP}$) maximaliseert door $-\log(C_{AoP} + \epsilon)$ te minimaliseren. Dit beperkt de segmentatie-updates expliciet om ervoor te zorgen dat de resulterende geometrische meting betrouwbaar en stabiel blijft onder domeinverschuivingen.

Belangrijkste Bijdragen

1. Geïntegreerd Raamwerk: Het eerste raamwerk dat expliciet grens-betrouwbaarheidsmodellering koppelt aan geometrische AoP-berekening om foutversterking in gekaskerde pipelines te mitigeren.
2. Structurele Versterking: Een drie-tak backbone met gating-mechanismen die specifiek is ontworpen om de representatie van slanke (PS) en discontinu (FH) structuren in ruisachtige echografie te versterken.
3. Geometrie-bewuste Adaptatie: Een nieuwe TTA-strategie die AoP-confidence gebruikt als een geometrische betrouwbaarheidsconstraint, waardoor stabiele inferentie in doeldomeinen zonder annotaties mogelijk wordt.
4. Lichtgewicht Efficiëntie: Het adaptatieproces is computationeel efficiënt, waarbij alleen parameters van normalisatie- en lineaire lagen worden bijgewerkt, wat het geschikt maakt voor online implementatie.

Experimentele Resultaten

De methode werd geëvalueerd op twee doeldomein-benchmarks: JNU-IFM 23 en IUGC 24, waarbij de PSFHS-dataset werd gebruikt als bron-domein.

• Prestaties op JNU-IFM 23: R2AoP bereikte een AoP-fout van 6,21° (een reductie van 0,07° ten opzichte van de op één na beste methode, AoP-SAM). Het toonde ook aanzienlijke verbeteringen in grensmaatstaven, met een Average Symmetric Surface Distance (ASD) van 3,12 mm voor PS en 2,00 mm voor FH.
• Prestaties op IUGC 24: De methode toonde sterke generalisatie en behaalde de beste resultaten op alle maatstaven. De AoP-fout werd gereduceerd tot 4,22°, met een algehele Dice-score van 0,95 en een ASD van 2,32 mm.
• Ablatiestudies: Het verwijderen van een component (drie-tak backbone, geometrie-constraint, entropieminimalisatie of TV-smoothing) resulteerde in prestatiedegrade. Opmerkelijk had de geometrie-betrouwbaarheidsconstraint de grootste impact op de IUGC 24-dataset, wat zijn rol bevestigt bij het stabiliseren van metingen onder ernstige domeinverschuivingen.

Betekenis en Claims

Het artikel stelt dat R2AoP een geometrie-bewust paradigma vestigt voor geautomatiseerde obstetrische metingen. De primaire betekenis ligt in het aanpakken van de "langdurige instabiliteit" veroorzaakt door foutversterking in segmentatie-naar-meting-pipelines.

De auteurs stellen dat:

• Het afdwingen van geometrische betrouwbaarheid cruciaal is om geautomatiseerde metingen klinisch bruikbaar te maken, niet alleen voor het verbeteren van segmentatiemaatstaven.
• De voorgestelde formulering generaliseerbaar is en kan worden uitgebreid naar andere geometrie-afhankelijke metingen in echografie en daarbuiten.
• Het raamwerk een principieel richting geeft voor de robuuste klinische implementatie van leer-gebaseerde meetsystemen, met name in scenario's met heterogene acquisitieomstandigheden en domeinverschuivingen.

De broncode is publiek beschikbaar, en het werk werd ondersteund door de National Natural Science Foundation of China en de Tsinghua Universiteit.