Landmark-free Assessment of Lower-limb Alignment with Implicit Neural Shape Functions from Knee Radiographs

Technische Samenvatting: Landmark-vrije beoordeling van de uitlijning van de onderste extremiteiten met behulp van impliciete neurale vormfuncties

Probleemstelling
Radiografische beoordeling van de uitlijning van de onderste extremiteiten (lower-limb alignment, LLA) is cruciaal voor het voorspellen van geweldgezondheid en chirurgische resultaten bij totale knieprothese (TKR). Traditionele methoden vertrouwen op handmatige metingen, wat tijdrovend is. Recente machine learning-benaderingen hebben dit proces geautomatiseerd, maar zijn doorgaans afhankelijk van het detecteren van een vaste set anatomische landmarks om uitlijningshoeken (bijv. de anatomische tibiofemorale hoek, aTFA) te berekenen. Deze afhankelijkheid van expliciete landmarks beperkt de flexibiliteit van het model; als klinische definities veranderen, moet het annotatieprotocol opnieuw worden gedefinieerd en moet het model mogelijk opnieuw worden getraind. Bovsamen beperken landmark-gebaseerde modellen de representatie van de anatomie tot discrete punten in plaats van continue vormen.

Methodologie
De auteurs stellen een geautomatiseerde workflow voor met behulp van Implicit Neural Shape Functions (INSF) om LLA direct te beoordelen op basis van knieradiografieën, zonder te vertrouwen op expliciete landmark-coördinaten. Het framework werkt via de volgende fasen:

1. Data Preprocessing en Uitlijning:

   • De inputafbeeldingen zijn anteroposterieure (AP) knieradiografieën.
   • Een CNN-gebaseerde vorm-aligner (Hourglass-architectuur) detecteert twee referentiepunten op de hoeken van het tibiaplateau om alle afbeeldingen in een canonieke ruimte uit te lijnen.
   • Om afgekapte botschachten in radiografieën aan te pakken, hebben de auteurs de afgekapte femorale en tibiale contouren handmatig verlengd richting de beeldmarges langs geschatte schachttangenten. Dit zorgt ervoor dat het model consistente schachtgeometrie leert.

2. SDF Voorspelling:

   • Een U-Net wordt getraind om Signed Distance Functions (SDF's) te voorspellen vanuit de uitgelijnde afbeeldingen. De output bestaat uit twee kanalen, die afzonderlijke signed distance maps vertegenwoordigen voor de contouren van het femur en de tibia.

3. Implicit Shape Representation Learning:

   • De kern van de methode maakt gebruik van een SIREN-gebaseerde auto-decoder om compacte latente vormrepresentaties te leren.
   • In plaats van landmarks te voorspellen, codeert het model de botgeometrie in een latente vector ($z$). Een multilayer perceptron (MLP) decoder brengt ruimtelijke coördinaten ($x$) en de latente vector ($z$) in kaart naar een signed distance waarde ($d$), waarbij $d < 0$ binnen het bot is, $d > 0$ buiten het bot, en $d = 0$ het oppervlak definieert.
   • Training omvat het gezamenlijk optimaliseren van netwerkgewichten ($\theta$) en latente codes ($z$) met behulp van een Signed Focal L1 loss, die ontworpen is om hoogfrequente geometrische details vast te leggen.

4. Test-time Optimalisatie en Regressie:

   • Latente Code Optimalisatie: Voor een nieuwe testafbeelding voorspelt de U-Net een initiële SDF. Een optimalisatieproces vindt vervolgens de specifieke latente vector ($z$) die de focal loss tussen de gegenereerde SDF en de U-Net-voorspelling minimaliseert.
   • LLA Regressie: De geoptimaliseerde latente vector wordt ingevoerd in een eenvoudige 4-laagse MLP om de hoekmetingen (aTFA, aMPTA, JLCA) direct te regresseren. Dit omzeilt de noodzaak om hoeken te berekenen uit tussenliggende landmark-coördinaten.

Belangrijkste Bijdragen

• Landmark-vrij Framework: Dit is de eerste toepassing van Implicit Neural Shape Functions op knieradiografieën voor geautomatiseerde LLA-beoordeling. De methode codeert de globale anatomische structuur in een latente ruimte, waardoor de afhankelijkheid van vooraf gedefinieerde landmark-definities wordt weggenomen.
• Flexibele Uitbreidbaarheid: De architectuur maakt snelle adaptatie aan nieuwe meettaken mogelijk zonder de backbone-representatie te wijzigen, aangezien het model vormkenmerken leert in plaats van specifieke puntlocaties.
• Shaft Extension Strategie: De auteurs introduceren een preprocessing-stap om afgekapte botschachten te verlengen, waarmee zij aantonen dat het opnemen van meer schachtanatomie de meetnauwkeurigheid verbetert, met name voor aTFA.
• Latente Ruimte Interpreteerbaarheid: De studie analyseert de correlatie tussen latente dimensies en klinische hoeken, waarbij wordt aangetoond dat specifieke dimensies (bijv. dimensie 116) sterk correleren met aTFA en JLCA, wat pose-gerelateerde informatie en botpositionering vastlegt.

Resultaten
De methode werd geëvalueerd op een interne dataset (566 training, 50 test) en een externe dataset (402 gevallen uit de MRKR-dataset).

• Interne Validatie: De voorgestelde methode behaalde prestaties die vergelijkbaar zijn met state-of-the-art landmark-gebaseerde methoden en handmatige inter-beoordelaarsovereenstemming.
  • Voor aTFA ten opzichte van de ground truth van een orthopedisch chirurg: Mean Absolute Difference (MAD) = 1,2°, Intraclass Correlation Coefficient (ICC) = 0,97.
  • De inclusie van schaftverlenging verbeterde de resultaten aanzienlijk, waarbij de MAD daalde van 1,8° naar 1,2° en de ICC verbeterde van 0,94 naar 0,97 vergeleken met de metingen van de chirurg.
• Externe Validatie: Op de MRKR-dataset presteerde de methode vergelijkbaar met een landmark-gebaseerde baseline voor aTFA, maar vertoonde een iets lagere numerieke prestatie voor aMPTA en JLCA vergeleken met zowel de baseline als de handmatige intra-beoordelaarsovereenstemming.
• Statistische Significantie: Statistische toetsing (Two One-Sided Tests) gaf aan dat de verschillen in MAD tussen de voorgestelde methode, de baseline en de handmatige overeenstemming niet statistisch significant waren binnen een drempelwaarde van ±1° (alle $p < 0,0001$).

Significantie en Claims
Het artikel beweert dat impliciete neurale representaties succesvol variaties die geassocieerd zijn met LLA vastleggen, wat een flexibel alternatief biedt voor landmark-gebaseerde modellen. De primaire significantie ligt in de flexibiliteit van de vormrepresentatie, die kan worden uitgebreid naar aanvullende meettaken zonder de annotatie van landmarks opnieuw te hoeven doen. Dit is bijzonder waardevol voor evoluerende klinische definities waar traditionele punt-gebaseerde modellen onpraktisch zijn.

De auteurs erkennen bescheiden de beperkingen, waarbij zij opmerken dat de trainingsdoelen afkomstig zijn van landmark-gebaseerde annotaties, wat inherent de voorkeur kan geven aan landmark-gestuurde benaderingen. Zij suggereren dat toekomstig werk zich moet richten op het regresseren van metingen die niet gemakkelijk uit landmarks afgeleid kunnen worden, om het voordeel van de landmark-vrije benadering volledig te demonstreren. Daarnaast wordt de lichte daling in generaliseerbaarheid op de externe dataset toegeschreven aan verschillen in populatie (bijv. leeftijd en etniciteit) tussen de interne en externe cohorten.