BioDeformUNet: A Deep Learning Model for Biomechanically Informed Liver Image Registration
BioDeformUNet is een deep learning-model dat bijna real-time, biomechanisch geïnformeerde registratie van leverbeelden bereikt met een nauwkeurigheid die vergelijkbaar is met traditionele biomechanische algoritmen, terwijl het een 34-voudige versnelling in inferentietijd biedt om een efficiënte intraprocedurale evaluatie van minimale ablatieranden te faciliteren.
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
Stel je voor dat je een perfecte foto probeert te maken van een kwal die in een aquarium zwemt. Als je een foto maakt, de kwal vervolgens wiebelt en van vorm verandert, en je een andere foto maakt, dan zullen die twee foto's niet overeenkomen. Stel je nu voor dat die kwal eigenlijk een menselijke lever is, en in plaats van een camera gebruiken artsen speciale CT-scanners om foto's te maken vóór en na een behandeling. Het probleem is dat levers zacht en vormbaar zijn en veel bewegen, vooral wanneer een arts met een naald in de lever prikt om een tumor weg te branden. Om er zeker van te zijn dat de behandeling precies op de juiste plek komt en niet de gezonde weefsels raakt, moeten artsen precies weten hoe de lever tussen de twee foto's is uitgerekt en vervormd.
Dit is waar "image registration" (beeldregistratie) om de hoek komt kijken. Denk aan een digitale goocheltruc waarbij een computer de eerste foto probeert uit te rekken en te vervormen totdat deze perfect overeenkomt met de tweede, waardoor een kaart ontstaat van hoe elk minuscuul stukje van de lever is bewogen. Lange tijd was de beste manier om dit te doen als het bouwen van een complex, 3D-kleimodel van de lever in de computer en het draaien van natuurkundige simulaties om te zien hoe het zou buigen. Het was zeer nauwkeurig, maar ook traag, zoals wachten tot een pot water kookt. Onlangs zijn wetenschappers begonnen met het gebruik van "deep learning", een vorm van kunstmatige intelligentie die leert door naar duizenden voorbeelden te kijken, in de hoop dit matchingsproces zo snel te maken als het maken van een foto. Maar er is een addertje onder het gras: de meeste AI-modellen proberen alleen de plaatjes op elkaar te laten lijken, waarbij ze de regel dat echte organen regels hebben over hoe ze kunnen buigen, negeren. Dit artikel stelt een grote vraag: Kunnen we een AI leren om zowel snel te zijn als de natuurkunde van een zachte lever te begrijpen, zodat het artsen in realtime kan helpen?
De onderzoekers achter deze studie, onder leiding van Xinyue Zhang en haar team bij het MD Anderson Cancer Center, hebben een nieuw AI-model gebouwd genaamd BioDeformUNet. Hun doel was om een systeem te creëren dat exact kan voorspellen hoe een lever vervormt in bijna real-time, om artsen te helpen controleren of ze een tumor succesvol hebben weggebrand met een veilige marge van gezond weefsel eromheen.
Om hun AI te leren, lieten het team de computer niet alleen plaatjes zien en zeiden ze: "Maak deze gelijk aan elkaar." In plaats daarvan gebruikten ze een "leraar" die al erg goed was in de taak: een biomechanisch model genaamd Morfeus. Morfeus is als een superprecieze natuurkundige motor die berekent hoe de lever beweegt op basis van de wetten van de natuurkunde, maar het duurt ongeveer 20 seconden om de wiskunde voor één enkel paar afbeeldingen te berekenen. Het team gebruikte Morfeus om de "correcte" antwoorden (de vervormingskaarten) te genereren voor 170 paren lever-scans van 157 patiënten. Ze trainden vervolgens BioDeformUNet om deze antwoorden na te bootsen, waarbij ze de AI in feite leerden om als een natuurkundige te denken maar te bewegen als een videogame-personage.
De resultaten waren indrukwekkend. Wanneer ze de nieuwe AI testten, voorspelde deze de beweging van de lever met bijna dezelfde nauwkeurigheid als de trage, natuurkundige leraar. De gemiddelde fout bij het lokaliseren van de tumor was ongeveer 1,84 mm, wat minder is dan de grootte van een enkele pixel in de scan. Wanneer ze naar de hele lever keken, lag de voorspelling van de AI binnen 3,0 mm van het "correcte" natuurkundige antwoord voor ongeveer 91,9% van de kleine 3D-blokjes (voxels) waaruit de afbeelding bestaat.
De echte magie zat echter in de snelheid. Terwijl de natuurkundige leraar (Morfeus) gemiddeld 20,2 seconden nodig had om de beweging te berekenen, deed BioDeformUNet hetzelfde werk in slechts 0,6 seconden. Dat is een versnelling van 34 keer. Om dit in perspectief te plaatsen: als Morfeus de tijd zou nemen om een kop koffie te zetten, zou BioDeformUNet de klus al hebben geklaard voordat je de waterkoker zelfs maar kunt optillen.
Het team vergeleek hun model ook met twee andere populaire AI-methoden, VoxelMorph en VFA. Ze ontdekten dat hoewel VoxelMorph erg goed was in het matchen van de algemene vorm van de lever, het soms de mist in ging bij specifieke details, zoals de exacte positie van de tumor. VFA was snel en goed in het vinden van specifieke herkenningspunten, maar het vervormde de vorm van de lever soms te veel, waardoor de tumor kleiner of groter leek dan hij in werkelijkheid was. BioDeformUNet daarentegen vond de perfecte balans: het hield de vorm van de lever realistisch, behield de grootte van de tumor en bepaalde de locatie accuraat, terwijl het ongelooflijk snel bleef.
Een cruciale test was hoe goed de modellen hielpen bij het berekenen van de "Minimal Ablative Margin" (MAM), wat de afstand is tussen de rand van de tumor en de rand van het weggebrande gebied. Dit is cruciaal omdat als de marge te klein is, de kanker terug kan komen. De studie toonde aan dat de berekening van de MAM door BioDeformUNet veel dichter bij de "gouden standaard" natuurkundige methode lag dan de andere AI-methoden. Het verschil in de marge-meting was gemiddeld slechts 0,4 mm, terwijl de andere methoden een verschil van 0,7 mm hadden.
Kortom, dit artikel suggereert dat door een AI te leren van een natuurkundig model in plaats van alleen te proberen pixelkleuren te matchen, we het beste van twee werelden krijgen: de hoge nauwkeurigheid van complexe natuurkundige simulaties en de bliksemsnelle snelheid van moderne kunstmatige intelligentie. Hoewel de auteurs opmerken dat dit een retrospectieve studie is (waarbij naar oude gegevens wordt gekeken) en dat de "ground truth" nog steeds een computermodel is en geen fysieke meting, zijn de resultaten een belangrijke stap voorwaarts. Ze laten zien dat het mogelijk is om een hulpmiddel te hebben dat snel genoeg is om tijdens een operatie te worden gebruikt, wat artsen potentieel kan helpen betere beslissingen te nemen in de operatiekamer zonder te hoeven wachten op trage berekeningen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.