👁️ ophthalmology

Performance of Frangi-Hessian Pseudo-Labels for Retinal Vessel Segmentation in AI-Assisted Retinopathy of Prematurity Screening

Deze studie toont aan dat een hybride trainingsparadigma, dat beperkte grondwaarheid combineert met door Frangi-Hessian gegenereerde pseudo-labels, de nauwkeurigheid en continuïteit van de segmentatie van retinaal vaten voor AI-ondersteunde screening op premature retinopathie aanzienlijk verbetert, waarbij het zowel puur gesuperviseerde als zelfgesuperviseerde benaderingen overtreft over meerdere deep learning-architecturen.

Oorspronkelijke auteurs: Mutisya, F., Onyango, O., Sitati, S., Ilovi, S., W'mosi, B., Macharia, P., Makini, B., Aluuvala, J., Onyango, J., Wanyee, S.

Gepubliceerd 2026-02-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mutisya, F., Onyango, O., Sitati, S., Ilovi, S., W'mosi, B., Macharia, P., Makini, B., Aluuvala, J., Onyango, J., Wanyee, S.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Probleem: Te Veel Ogen, Te Weinig Helpers

Stel je voor dat je een robot probeert te leren om de piepkleine, kronkelende wegen (bloedvaten) in het oog van een baby te herkennen. Dit is cruciaal voor het opsporen van een aandoening genaamd Retinopathie van Prematuriteit (ROP), wat blindheid kan veroorzaken als het niet op tijd wordt ontdekt.

Om de robot te leren, heb je meestal een "leraar" (een menselijke expert) nodig die een perfecte kaart tekent van elke weg op duizenden foto's. Maar hier komt de adder onder het gras: het handmatig tekenen van deze kaarten is alsof je probeert een gedetailleerde kaart van een stad te schilderen terwijl je een marathon loopt. Het duurt eeuwen, het is uitputtend, en verschillende experts kunnen de wegen net iets anders tekenen. Op veel plaatsen zijn er simpelweg niet genoeg experts om genoeg kaarten te tekenen om de robot goed te onderwijzen.

De Oplossing: Een "Slimme Schets" Assistent

De onderzoekers vroegen zich af: Wat als we een computerprogramma kunnen gebruiken om automatisch een "ruwe schets" van de wegen te tekenen, en die schets vervolgens kunnen gebruiken om de robot te helpen, zelfs als de schets niet perfect is?

Ze bouwden een driedelig trainingssysteem om dit op te lossen:

De "Slimme Schets" Generator (Zelf-gesuperviseerd):
Ze gebruikten een klassiek wiskundig hulpmiddel (genaamd Frangi–Hessian filtering) dat werkt als een high-tech highlighter. Het scant de oogfoto's en markeert automatisch de heldere, buisvormige structuren (de bloedvaten).
- Het Nadeel: Deze "highlighter" is goed in het vinden van de hoofdwegen, maar mist de kleine zijstraatjes en kleurt de volledige breedte van de weg niet perfect in. Het is als een schets die de vorm van de weg laat zien, maar die een beetje dun en missend in details is.
De "Expert Leraar" (Ground Truth):
Ze hadden ook een klein aantal foto's waarbij menselijke experts de perfecte, gedetailleerde kaarten hadden getekend.
De "Hybride Klas" (De Magische Mix):
In plaats van de robot alleen met de perfecte expert-kaarten te onderwijzen (die zeldzaam zijn) of alleen met de ruwe schetsen (die imperfect zijn), mengden ze deze samen. Ze onderwezen de robot met zowel de perfecte kaarten als de door de computer gegenereerde schetsen op hetzelfde moment.

Wat Ze Testten

Ze probeerden vijf verschillende soorten "robots" (AI-modellen) te trainen met drie verschillende methoden:

Methode A: Alleen de Expert Kaarten.
Methode B: Alleen de Computer Schetsen.
Methode C (De Winnaar): Een mix van beide.

De Resultaten: De "Hybride Klas" Wint

Dit is wat er gebeurde toen ze de robots testten:

De "Alleen de Schets" Robot: Deze leerde heel weinig. De ruwe schetsen waren te rommelig en onnauwkeurig om de robot zelfstandig te leren hoe hij een goede baan moet doen. Het was alsof proberen te leren autorijden door alleen naar een wazige foto van een weg te kijken.
De "Alleen de Expert" Robot: Deze deed het oké, maar omdat hij slechts enkele perfecte voorbeelden zag, had hij moeite met het herkennen van wegen in nieuwe, lastige situaties.
De "Hybride" Robot: Dit was de ster van de show. Door zowel de perfecte kaarten als de ruwe schetsen te zien, leerde hij het beste van beide werelden.
- Hij leerde de precisie van de menselijke experts (weten waar de randen van de weg precies liggen).
- Hij leerde de structuur van de computerschetsen (begrijpen hoe het hele netwerk van wegen met elkaar verbonden is).

De Uitkomst: De hybride robots waren aanzienlijk beter in het vinden van de vaten. Eén specifiek model (SegFormer) werd de beste in het opsporen van de vaten, en een ander (BioSwinFuseNet) verbeterde zijn prestaties met meer dan een verdubbeling vergeleken met wanneer het alleen de expert-kaarten gebruikte.

Hoe de "Ruwe Schets" Er Eigenlijk Uitzag

De onderzoekers controleerden de door de computer gegenereerde schetsen ten opzichte van de menselijke kaarten en vonden enkele interessante verschillen:

Dunnere Wegen: De computerschetsen tekenden de wegen veel dunner dan de mensen deden (alsof er een potloodlijn in plaats van een dikke markerlijn werd getekend).
Gladdere Bochten: De computer maakte de bochten gladder, waardoor de wegen er minder grillig uitzagen dan ze in werkelijkheid zijn.
Missende Kleine Straatjes: Het miste de zeer kleinste haarvaten.

Ondanks deze gebreken waren de schetsen goed genoeg om het grote plaatje te laten zien van hoe de wegen met elkaar verbonden waren. Wanneer ze werden gemengd met de expert-kaarten, hielpen deze "ruwe ontwerpen" de AI om de algemene lay-out van het vaatstelsel van het oog beter te begrijpen dan hij dat op eigen kracht zou kunnen.

De Kernboodschap

De conclusie van het paper is dat je geen duizenden perfecte menselijke tekeningen nodig hebt om een geweldige AI voor oogscreening te bouwen. Je kunt een paar perfecte tekeningen gebruiken en deze combineren met duizenden "ruwe schetsen" die door een computer worden gegenereerd.

Deze "Hybride" aanpak is als het hebben van een meesterkunstenaar (de mens) die een student begeleidt, terwijl de student ook oefent met een handige, geautomatiseerde tekenmethode. Het resultaat is een student die sneller leert en vaardiger wordt, wat een praktische manier biedt om betere screeningsinstrumenten te bouwen voor plaatsen waar deskundige artsen schaars zijn.

Technische Samenvatting: Prestaties van Frangi–Hessian Pseudo-labels voor Retinale Vaatsegmentatie in AI-ondersteunde Screening op Retinopathie van Prematuriteit

Probleemstelling
Retinopathie van Prematuriteit (ROP) is een belangrijke oorzaak van vermijdbare blindheid, met name in omgevingen met beperkte middelen waar screeningsbronnen schaars zijn. Een nauwkeurige diagnose is afhankelijk van de beoordeling van vasculaire dilatatie en tortuositeit ("Plus disease"), wat een precieze segmentatie van de retinale vaten vereist. De ontwikkeling van AI-gestuurde screeningsinstrumenten wordt echter gehinderd door de "labeleringsbottleneck": handmatige annotatie van retinale vaatmaskers is arbeidsintensief, gevoelig voor inter-waarnemer variabiliteit en moeilijk te schalen voor grote datasets. Terwijl supervised deep learning-modellen goed presteren met overvloedige gelabelde data, vereist de schaarste aan expert-gelabelde neonatale vasculaire beelden alternatieve, label-efficiënte strategieën.

Methodologie
De studie stelt een hybride leerkader voor dat klassieke beeldverwerking integreert met moderne deep learning om de schaarste aan grondwaarheid (GT) annotaties aan te pakken. De methodologie bestaat uit drie primaire componenten:

Automatische Zelf-annotatie Pipeline:
Een neenstaps pipeline genereert vaat-pseudo-maskers voor ongelabelde beelden met behulp van een dubbele Frangi–Hessian benadering. Het proces omvat:
- Preprocessing: Extractie van het groene kanaal (hoogste vaatcontrast), resizing naar 512×512, randbehoudende denoising (bilaterale filter) en lokale contrastverbetering (CLAHE).
- Normalisatie & Verscherping: Rolling-ball achtergrondsubtractie om verlichting te corrigeren en unsharp masking om vaatkammen te accentueren.
- Vaatheid Verbetering (Vesselness Enhancement): Toepassing van Frangi en Hessian filters gebaseerd op de eigenwaarden van de Hessian-matrix om de waarschijnlijkheid van buisvormige structuren te kwantificeren.
- Verfijning: Adaptieve drempelwaarde (thresholding), morfologische operaties om artefacten te verwijderen, en skeletonisatie om binaire maskers te genereren die zowel de vaatlumen als de middellijnen vertegenwoordigen.
Model Architecturen:
Vijf verschillende segmentatie-architecturen werden geëvalueerd: BioSwinFuseNet (een aangepaste SwinV2-ConvNeXt fusie), UNet, Feature Pyramid Network (FPN), LinkNet, en SegFormer (een transformer-gebaseerde encoder).
Trainingsregimes:
Elke architectuur werd getraind onder drie verschillende supervisiecondities:
- GT-only: Uitsluitend getraind op expert-gelabelde maskers.
- Self-only: Uitsluitend getraind op de gegenereerde pseudo-maskers.
- Hybrid: Getraind op een combinatie van GT en pseudo-maskers met behulp van een gewogen verliesfunctie ( $L = 0.7L_{GT} + 0.3L_{Self}$ ).
  Alle modellen maakten gebruik van een topologie-bewuste loss functie die binary cross-entropy, Dice loss en continuïteitstraffen combineert.

Belangrijkste Resultaten

Kenmerken van Pseudo-labels: De zelf-gegenereerde maskers vertoonden systematische verschillen vergeleken met de expert GT. Ze vertoonden een lager vaatfractie (0.021 vs. 0.082) en aanzienlijk dunnere gemiddelde vaatdiameters (2.01 px vs. 7.47 px), wat aangeeft dat ze de vaatkern eerder dan de volledige grenzen vastlegden. Ze behielden echter de globale topologische kenmerken, waarbij de vertakkingsdichtheid en fractale dimensie vergelijkbaar bleven met de GT.
Prestaties van Trainingsregimes:
- Self-only modellen presteerden slecht (Dice ≈ 0.005), wat bevestigt dat pseudo-maskers alleen niet de precisie bezitten die vereist is voor klinische inzetbaarheid.
- Hybrid modellen presteerden consistent beter dan zowel de GT-only als de Self-only benaderingen over alle architecturen heen.
- Top Performers: Het SegFormer-Hybrid model bereikte de hoogste algehele sensitiviteit (0.70) en AUC (0.94). Het BioSwinFuseNet-Hybrid model vertoonde de meest significante relatieve verbetering, met een 122% toename in Dice-score vergeleken met zijn GT-only tegenhanger.
- Stabiliteit: FPN-Hybrid vertoonde de laagste variantie, terwijl UNet-Hybrid een sterke generalisatie behield met een hoge specificiteit (0.97).

Betekenis en Claims
Het artikel claimt dat het hybride paradigma een schaalbare oplossing biedt voor het ontwikkelen van geautomatiseerde ROP-screeningsinstrumenten in omgevingen waar expert-labeling beperkt is. Door de topologische priors afgeleid van klassieke Frangi–Hessian filters te integreren met de representatiekracht van deep neural networks, demonstreert de studie dat zelf-geannoteerde maskers de supervised learning zinvol kunnen aanvullen.

De auteurs concluderen dat hoewel de pseudo-labels imperfect zijn (ze onder-segmenteren kleine vaten en verzachten krommingen), ze voldoende structurele informatie bieden om het leerproces te bootstrappen. Deze aanpak stelt modellen in staat om gegeneraliseerde vasculaire patronen te leren zonder uitsluitend te vertrouwen op schaarse, dure expert-annotaties. De studie positioneert dit hybride kader als een praktische route voor het opschalen van AI-ondersteunde ROP-screening, met name in klinische settings met beperkte middelen, zonder nieuwe toepassingen uit te vinden buiten de reikwijdte van vaatsegmentatie en Plus disease detectie.