KANResDiff: Learning Local Residual Diffusion via Kolmogorov-Arnold Network for Ambiguous Medical Image Segmentation

Stel je voor dat je naar een wazige foto van een wolk kijkt. Voor de één lijkt het op een draak; voor een ander lijkt het op een zeilboot. Beiden hebben gelijk, omdat de wolk inherent vaag is. In de wereld van medische beeldvorming worden artsen dagelijks met een soortgelijke puzzel geconfronteerd. Wanneer zij naar een röntgenfoto of een CT-scan kijken, kunnen de randen van een tumor of een orgaan onduidelijk zijn, of kunnen verschillende experts net iets andere lijnen trekken rond dezelfde plek. Dit wordt "ambigue medische beeldsegmentatie" genoemd. In plaats van een computer te dwingen om slechts één "juiste" lijn te kiezen, willen wetenschappers dat de computer een hele galerie van plausibele opties genereert — zoals het laten zien van de draakversie, de zeilbootversie en alles daartussenin. Dit helpt artsen om veiligere beslissingen te nemen door alle mogelijkheden te zien.

Om dit te doen, gebruiken computers speciale hulpmiddelen die "diffusiemodellen" worden genoemd. Denk hierbij aan een soort omgekeerde video game van "vervagen en verscherpen". De computer begint met een ruisig beeld vol statische storingen (zoals tv-sneeuw) en maakt het stap voor stap steeds duidelijker totdat er een helder beeld verschijnt. Meestal volgt de computer een strikt, vooraf geschreven script voor hoe de afbeelding schoongemaakt moet worden. Maar voor ambigue medische beelden is een strikt script te saai; het weet niet hoe het creatief genoeg moet zijn om verschillende geldige versies van hetzelfde orgaan te tonen. De uitdaging is om de computer flexibel te leren zijn, door precies de juiste hoeveelheid "willekeur" op het juiste moment toe te voegen om diverse maar realistische medische beelden te creëren.

Maak kennis met KANResDiff, een nieuwe methode voorgesteld door onderzoeker Fanding Li en zijn team. Zij merkten op dat bestaande computers probeerden medische beelden schoon te maken met een "one-size-fits-all"-aanpak die in een sleur vastliep. De oude methoden gebruikten een standaard hulpmiddel (een Multi-Layer Perceptron, of MLP) om te beslissen hoeveel willekeur er bij elke stap toegevoegd moest worden. Het probleem? Dit hulpmiddel was als een enkel, gigantisch brein dat probeerde elke enkele scène van een lange film tegelijkertijd te onthouden. Het raakte in de war, en de stappen die het nam om het beeld schoon te maken waren niet onafhankelijk genoeg, wat leidde tot wazige of repetitieve resultaten.

De onderzoekers losten dit op met twee slimme trucs. Eerst vervingen ze het oude "gigantische brein" door iets dat een Kolmogorov-Arnold Network (KAN) wordt genoemd. Stel je voor dat de oude methode een enkele lange touw was waarbij het trekken aan één uiteinde aan het hele touw trok. De nieuwe KAN-methode is als een ketting gemaakt van veel kleine, onafhankelijke kralen. Elke kraal (of tijdstap) kan onafhankelijk bewegen en leren zonder de anderen te verstoren. Dit stelt de computer in staat om elke fase van het proces van het opschonen van het beeld als een uniek moment te behandelen, waardoor het de vrijheid krijgt om stukje bij beetje een complex en divers beeld op te bouwen.

Ten tweede introduceerden ze een concept genaamd de Residual Schrödinger Bridge. Op de oude manier probeerde de computer het uiteindelijke beeld te raden en voegde er vervolgens gewoon "een beetje willekeur" aan toe, wat vaak een enorme kloof creëerde tussen de gok en het uiteindelijke resultaat. De nieuwe methode is als een koorddanser die een evenwichtsstok gebruikt. De computer past het pad voortdurend aan, waarbij een "deterministische" (voorspelbare) gids wordt gebruikt om het beeld eruit te laten zien als een echt menselijk lichaam, terwijl tegelijkertijd "stochastische" (willekeurige) krachten het beeld laten wiebelen om verschillende geldige variaties te creëren. Door een "brug" te construeren tussen het begin en het einde van het proces, vindt de computer het meest efficiënte, minst kostbare pad om deze diverse beelden te creëren.

Het team testte hun nieuwe systeem op twee publieke medische datasets: één met longscans (LIDC) en één met huidafwijking-afbeeldingen (ISIC). De resultaten waren indrukwekkend. Op de longdataset verbeterde hun methode de nauwkeurigheid van het matchen van diverse vormen met wel 16,8% en de algehele kwaliteit van de gegenereerde beelden met 7,7% vergeleken met de beste bestaande methoden. Ze lieten ook zien dat hun systeem vele verschillende, realistisch ogende versies van hetzelfde orgaan kon generen, wat precies is wat artsen nodig hebben wanneer de grenzen onduidelijk zijn.

Kortom, KANResDiff raadt niet zomaar één antwoord; het leert een heel verhaal van mogelijkheden te vertellen. Door elke stap van het beeldgeneratieproces zijn eigen onafhankelijkheid te geven en een flexibele manier te bieden om zekerheid met creativiteit te balanceren, helpt het computers begrijpen dat er in de geneeskunde soms niet één juist antwoord is — er zijn er veel, en ze zijn allemaal belangrijk.