MoE-based Feature Adapter for Prompt-free Binary Coronary Artery Segmentation in X-ray Angiography

In de donkere, met vloeistof gevulde gangen van het menselijk hart vertrouwen artsen op een speciaal soort röntgenvideo om de nauwe, kronkelende wegen te zien die bloed naar de hartspier transporteren. Deze video's, bekend als coronaire angiogrammen, zijn de gouden standaard voor het diagnosticeren van blokkades en het begeleiden van levensreddende procedures. De beelden zijn echter berucht moeilijk te interpreteren. De vaten zijn vaak zo dun als een menselijke haar, ze draaien en keren onvoorspelbaar en ze lijken vaak onderbroken of vaag omdat de contrastvloeistof ze niet altijd perfect vult. Erger nog is dat de beelden overvol zijn met schaduwen van medische instrumenten zoals katheters en draden, die precies op de bloedvaten kunnen lijken. Decennialang hebben artsen deze paden handmatig getraceerd, een traag en vermoeiend proces, terwijl computers moeite hadden om het bij te houden. De uitdaging voor kunstmatige intelligentie is geweest om te leren hoe men een delicaat, onderbroken vat kan onderscheiden van een verwarrende achtergrond van ruis en vergelijkbare objecten, een taak die van een computer vereist dat hij zowel ongelooflijk precies als opmerkelijk flexibel is.

Onderzoekers hebben zich onlangs tot een type geavanceerd computer vision-model genaamd een Vision Transformer gericht om dit probleem op te lossen. Deze modellen zijn uitstekend in het begrijpen van het grote geheel van een afbeelding, maar wanneer ze worden toegepast op medische scans, vertrouwen ze vaak op één enkele, vaste methode om hun begrip van de gegevens aan te passen. Dit is als een vertaler die voor elke zin hetzelfde woordenboek gebruikt, ongeacht of de context een juridisch contract of een liefdesbrief is. In de complexe wereld van coronaire angiogrammen faalt een enkele benadering omdat het uiterlijk van een vat drastisch verandert van het ene frame naar het volgende. Soms is een vat dik en helder; andere keren is het dun, vaag of wordt het gehinderd door een draad. De onderzoekers achter deze studie realiseerden zich dat een rigide, eenheidsbenadering niet voldoende was om deze variatie aan te kunnen. Ze zetten zich in om een systeem te bouwen dat zijn strategie in realtime kan aanpassen, waarbij het de beste manier kiest om de afbeelding te interpreteren op basis van wat het op dat moment daadwerkelijk ziet.

Het team, onder leiding van Lin Xi en Yingliang Ma, stelde een nieuwe methode voor die werkt als een team van specialisten in plaats van een enkele generalist. Ze bouwden voort op bestaande efficiënte computermodellen door een nieuwe component genaamd een "mixture-of-experts" adapter in te voegen. Stel je een controlekamer voor waar een manager een complex beeld ontvangt en moet beslissen welke van de verschillende specialisten hij moet raadplegen. In dit systeem gebruikt de computer niet slechts één pad om de afbeelding te verwerken. In plaats daarvan heeft het een kleine groep lichtgewicht "experts", die elk getraind zijn om verschillende soorten visuele uitdagingen aan te pakken. Sommige experts zijn bijvoorbeeld bijzonder goed in het vinden van dunne, vage vaten, terwijl anderen beter zijn in het negeren van de schaduwen van medische instrumenten. Wanneer de computer naar een specifiek deel van de röntgenvideo kijkt, fungeert een routeringsmechanisme als de manager, die de lokale details analyseert en de twee meest relevante experts uit de groep van vier selecteert om het werk te doen. Deze selectie vindt dynamisch plaats voor elk deel van de afbeelding, waardoor het systeem zijn begrip kan verfijnen met een niveau van nuance dat een enkel, statisch model niet kan bereiken. Cruciaal is dat dit systeem werkt zonder dat er extra instructies of "prompts" van mensen nodig zijn; het leert zelfstandig de vaten te herkennen.

Om hun idee te testen, pasten de onderzoekers dit nieuwe systeem toe op een grote collectie coronaire angiografievideo's die bekend staat als MOSXAV. Ze vergeleken hun methode met verschillende gevestigde modellen, waaronder de veelgebruikte U-Net en andere geavanceerde transformer-gebaseerde systemen. De resultaten lieten zien dat hun aanpak superieur was. Op de testdata behaalde hun model een hogere score in het meten van hoe goed de omtrek van de computer overeenkwam met de werkelijke vaten, waarbij het de op één na beste methode met een duidelijke marge versloeg. Het was bijzonder goed in het vinden van de minuscule, verre vertakkingen van de slagaders die andere modellen vaak misten, terwijl het ook voorzichtig was om achtergrondruis niet aan te zien voor bloedvaten. Het systeem heeft de trainingsdata niet simpelweg uit het hoofd geleerd; toen de onderzoekers het testten op een volledig andere set video's van een ander ziekenhuis, bekend als XACV, presteerde het nog steeds beter dan alle andere methoden. Dit suggereert dat het systeem een robuuste manier heeft geleerd om vaten te zien die werkt, zelfs wanneer de beeldkwaliteit of de apparatuur verandert.

De studie bevestigt dat het een computer de mogelijkheid geven om tussen verschillende strategieën te kiezen een krachtige manier is om medische beeldanalyse te verbeteren. Door gebruik te maken van een klein aantal gespecialiseerde paden die alleen worden geactiveerd wanneer dat nodig is, creëerden de onderzoekers een systeem dat zowel zeer nauwkeurig als computationeel efficiënt is. De bevindingen suggereren dat deze flexibele aanpak de rommelige, onvoorspelbare realiteit van medische beeldvorming beter kan aanpakken dan eerdere methoden die vertrouwen op een enkele, uniforme strategie. Hoewel het werk nog in de onderzoeksfase zit, wijst het naar een toekomst waarin computers artsen kunnen ondersteunen met grotere betrouwbaarheid, waarbij ze helpen het ingewikkelde, fragiele netwerk van de slagaders van het hart te visualiseren met een helderheid die voorheen moeilijk te bereiken was. Het succes van deze methode op twee verschillende datasets geeft aan dat dit een veelbelovende stap is naar meer robuuste hulpmiddelen voor het analyseren van hartziekten, wat potentieel kan leiden tot betere behandelplannen en betere resultaten voor patiënten in de jaren die komen.