H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation

Stel je voor dat je een computer probeert te leren om een piepkleine, verborgen schat in een gigantische, rommelige grot op te sporen. In de wereld van medische beeldvorming is die "schat" een klein orgaan of een specifieke weefselsoort, en de "grot" is een 3D-scan van een menselijk lichaam. Het probleem is dat we niet genoeg kaarten (gelabelde afbeeldingen) hebben om de computer precies te laten zien waar de schat zich bevindt. Daarom gebruiken wetenschappers een slimme truc genaamd "registratie". Denk eraan als het nemen van een duidelijke, gelabelde kaart van een grot en die uitrekken en vervormen totdat deze perfect overeenkomt met een nieuwe, ongelabelde grot. Zodra de kaart past, kan de computer deze als gids gebruiken om de schat in de nieuwe grot te vinden. Dit is de kern van "few-shot medical image segmentation" — leren om dingen te vinden met heel weinig voorbeelden. Maar hier zit de adder onder het gras: terwijl grote, duidelijke oriëntatiepunten makkelijk te matchen zijn, gaan piepkleine, vage details vaak verloren of raken ze in de war wanneer je de kaart uitrekt. De computer heeft een betere manier nodig om te begrijpen dat sommige dingen "ouders" zijn van andere dingen (zoals hoe een boomstam de ouder is van een tak) om te voorkomen dat de kleine details door elkaar worden gehaald.

Dit is waar een nieuw artikel van Jia Wang en hun team met een oplossing komt die ze H2AL noemen. Ze realiseerden zich dat de manier waarop computers meestal over deze kaarten denken te "plat" is. Het is alsof je een enorme bibliotheek probeert te organiseren door alle boeken gewoon in één enkele lijn op de grond te leggen; het werkt redelijk voor grote stapels, maar het vinden van een specifiek klein programmaboekje is een nachtmerrie. De auteurs stellen voor dat medische structuren eigenlijk meer lijken op een boom of een stamboom, met grote takken die kleinere twijgjes vasthouden. Om dit op te lossen, bouwden ze een systeem dat gebruikmaakt van een speciale vorm van wiskunde genaamd "hyperbolische geometrie". Je kunt dit zien als een magische, uitdijende kamer waar je meer ruimte hebt om dingen van elkaar te scheiden naarmate je verder van het centrum beweegt. Dit stelt de computer in staat om het "grote plaatje" (de stam) en de "kleine details" (de bladeren) op een manier te organiseren die platte wiskunde simpelweg niet kan doen.

De belangrijkste bevinding van het team is dat door deze "magische kamer" (hyperbolische ruimte) te mengen met de gebruikelijke "platte kamer" (Euclidische ruimte) van de computer, ze veel betere kaarten kunnen maken. Ze creëerden een module genaamd H2I (Hyperbolic Hierarchy-aware Infusion) die fungeert als een vertaler, die de georganiseerde, boomachtige kennis uit de magische kamer neemt en deze in de platte kaart giet om de computer te helpen de kleine structuren duidelijker te zien. Ze hebben ook een nieuwe manier uitgevonden om de computer te trainen genaamd Gradient Aggregation. Stel je twee coaches voor die een student proberen te onderwijzen; als ze tegelijkertijd verschillende instructies naar hem schreeuwen, raakt de student in de war. In plaats daarvan heeft deze methode coaches die hun instructies combineren tot één duidelijke, verenigde opdracht voordat ze deze aan de student doorgeven. Dit houdt het leerproces soepel en snel.

Wanneer ze dit testten op hersen- en hartscans, waren de resultaten veelbelovend. Het artikel laat zien dat hun methode de nauwkeurigheid van het vinden van kleine structuren met ongeveer 1,47% verbeterde voor het registratiegedeelte (het maken van de kaarten) en met 1,84% voor het uiteindelijke segmentatiegedeelte (het vinden van de schat) vergeleken met de beste bestaande methoden. Ze ontdekten dat hoewel grote structuren al makkelijk te vinden waren, hun nieuwe systeem bijzonder goed was in het voorkomen dat de computer in de war raakte door de kleine, ambigue delen die normaal gesproken door de mazen van het net glippen. De auteurs suggereren dat door respect te tonen voor de natuurlijke "stamboom" van de menselijke anatomie, ze medische AI betrouwbaarder kunnen maken, vooral wanneer er bij de start heel weinig gelabelde voorbeelden zijn. Ze hebben niet alleen gegokt; ze hebben uitgebreide experimenten uitgevoerd met echte hersen- en hartdata, waarmee ze lieten zien dat hun aanpak consequent andere topmethoden overtrof in zowel het maken van de kaarten als het vinden van de kleine details.