Technische Samenvatting: GHOST – Automatische Multimodale Registratie van HRIM en VFSS

Probleemstelling

Orofaryngeale dysfagie (OD) treft een aanzienlijk deel van de risicogroepen, waaronder patiënten met hoofd- en halskanker (HNC). Hoewel Video-Fluoroscopische Slikstudies (VFSS) de gouden standaard zijn voor diagnose, ontbreken deze de kwantitatieve drukgegevens. High-Resolution Impedantie Manometrie (HRIM) levert deze gegevens, maar mist de anatomische context. Het combineren van deze modaliteiten (mano-fluoroscopie) biedt een uitgebreid beeld, maar blijft klinisch uitdagend vanwege de cognitieve belasting bij het mentaal integreren van twee onafhankelijke datastromen.

Bestaande computerondersteunde benaderingen hebben geprobeerd de registratie van manometrische sensoren op fluoroscopische beelden te automatiseren. Echter, eerdere methoden die vertrouwen op template matching voor detectie en eenvoudige ruimtelijke ordening (van boven naar beneden) voor identificatie, kampen met aanzienlijke beperkingen:

1. Detectie-instabiliteit: Template matching faalt onder de variabele beeldcondities tijdens het slikken.
2. Identificatie-fragiliteit: Ruimtelijke ordening gaat ervan uit dat de eerste en laatste sensoren altijd zichtbaar zijn. In de klinische praktijk zorgt de beweging van de katheter er vaak voor dat sensoren het fluoroscopische gezichtsveld (FOV) verlaten of worden afgeschermd, wat leidt tot foutieve toewijzingen van identiteiten en registratiefalen.

Methodologie

De auteurs stellen GHOST (Geometric History for Occluded Sensor Tracking) voor, een volledig geautomatiseerd, geometrie-gestuurd framework dat is ontworpen om de registratie van HRIM- en VFSS-data robuust uit te voeren door sensoridentiteiten te volgen, zelfs tijdens occlusie of verlies van het gezichtsveld.

1. Sensordetectie

Het framework maakt gebruik van deep learning-gebaseerde objectdetectie. De auteurs evalueerden drie YOLO-architecturen (YOLO11n, YOLO12n en YOLO26n) getraind op een dataset van 12 HNC-patiënten (16 onderzoeken).

• Data: 10.829 geannoteerde sensor bounding boxes over 526 frames.
• Training: Leave-one-patient-out cross-validatie met uitgebreide data-augmentatie (spatiale transformaties, fotometrische perturbaties en dropout om occlusies te simuleren).
• Prestaties: Alle modellen behaalden hoge detectiemetrieken (Precisie, Recall en F1-score > 98% in hoogwaardige settings).

2. Het GHOST-framework

GHOST behandelt sensoridentificatie als een multi-object tracking (MOT) probleem, waarbij een dynamische 2D-puntwolkrepresentatie van de katheter wordt beheerd. De pipeline bestaat uit drie stadia:

• Puntwolkrepresentatie: Gedetecteerde bounding boxes worden omgezet in "slots" (vijfpunts-representaties: vier hoekpunten en het centrum). Een referentiepuntwolk ($S_{ref}$) wordt bijgehouden, waarin zowel momenteel zichtbare sensoren als "ghost slots" worden opgeslagen voor sensoren die eerder gedetecteerd zijn maar momenteel ontbreken.
• Niet-rigide Registratie: Om de detecties van het huidige frame ($S_i$) uit te lijnen met de referentie ($S_{ref}$), gebruikt het systeem:
  • Lucas-Kanade Optical Flow: Voor een initiële pre-alignment gebaseerd op de beweging van proximale sensoren.
  • Coherent Point Drift (CPD): Een niet-rigide registratie-algoritme dat de katheter modelleert als een Gaussian Mixture Model, wat de niet-lineaire deformaties van de kateter tijdens het slikken opvangt.
• Multi-Object Associatie & State Update:
  • Hungariaans Algoritme: Gebruikt om de globaal optimale toewijzing van gedetecteerde slots aan referentie-slots te berekenen op basis van Euclidische afstanden.
  • Ghost Propagation: Als een sensor niet wordt gedetecteerd, wordt de identiteit behouden in een "ghost slot". De positie van deze ghost slots wordt gepropageerd met behulp van de tijdens de registratie geschatte transformatie en wordt gladgestreken via een exponentieel voortschrijdend gemiddelde.
  • Groei-restricties: Nieuwe sensoren worden alleen toegevoegd aan de proximale of distale uiteinden van de keten als specifieke temporele en spatiale afstandscriteria worden voldaan, om foutieve invoegingen te voorkomen.
  • Validatie van de eerste sensor: Een specifiek probabilistisch model valideert de aanwezigheid van de eerste sensor om initialisatiefouten te voorkomen.
  • Globale Correctie: Een laatste stap dwingt een strikt monotoon toenemende sequentie van sensoridentiteiten af van proximaal naar distaal.

Belangrijkste Resultaten

De studie evalueerde GHOST tegenover een baseline ruimtelijke-orderingsstrategie (vergelijkbaar met Geiger et al.) over drie detector-backbones en twee beeldcondities (Hoge Kwaliteit en gesimuleerde Lage Kiteit).

• Detectieprestaties: Alle YOLO-varianten presteerden consistent goed, met gemiddelde Precisie, Recall en F1-scores boven de 98% in hoogwaardige settings. YOLO12n behaalde over het algemeen de hoogste F1-scores, terwijl YOLO26n de hoogste AP50 behaalde maar een iets lagere recall in lage kwaliteit settings.
• Identificatieprestaties (RID):
  • Hoge Kwaliteit: GHOST presteerde aanzienlijk beter dan de baseline. Met YOLO26n behaalde GHOST een gemiddelde Identification Recall (RID) van 96,6%, vergeleken met 81,0% voor de baseline. (Opmerking: YOLO12n behaalde 95,2% in deze setting).
  • Lage Kwaliteit: GHOST behield zijn robuustheid en behaalde een RID van 88,1% met YOLO11n versus 75,8% voor de baseline. (Opmerking: YOLO26n behaalde 80,3% in deze setting).
  • Stabiliteit: GHOST verminderde de standaarddeviatie van de prestaties over de patiënt-folds aanzienlijk, wat wijst op een stabieler identificatieproces. De baseline zakte regelmatig onder de 40% in moeilijke folds, terwijl de minimumwaarde van GHOST rond de 80% bleef.
• Foutmodi: De primaire foutmodus voor GHOST was het gelijktijdig optreden van vals-positieven en vals-negatieven aan de tegenovergestelde uiteinden van de kateter, wat de associatieketen kan verstoren. Het bleef echter superieur aan de baseline bij het omgaan met gedeeltelijke occlusies en tijdelijk verlies van het gezichtsveld.

Betekenis en Claims

Het artikel claimt dat GHOST een praktisch fundament biedt voor volledig geautomatiseerde cross-modale analyse van mano-fluoroscopische onderzoeken.

• Robuustheid: Het framework adresseert succesvol de kritieke beperking van eerder werk door sensoridentiteiten te behouden, zelfs wanneer sensoren worden afgeschermd of het fluoroscopische gezichtsveld verlaten, wat een veelvoorkomende gebeurtenis is bij dysfagische patiënten.
• Klinische Nut: Door het automatiseren van het registratieproces zonder handmatige interventie, vermindert GHOST de interpretatieve last voor clinici. Dit faciliteert de ontwikkeling van computerondersteunde tools die kwantitatieve HRIM-data kunnen integreren met anatomische VFSS-visualisatie.
• Toekomstige Impact: De auteurs stellen dat dergelijke tools de bruikbaarheid van mano-fluoroscopie kunnen verbeteren, met name in complexe klinische gevallen waarbij patiënten een veranderde anatomie hebben (bijv. na HNC-chirurgie), door een snellere en meer uitgebreide beoordeling van de slikfunctie mogelijk te maken.

De auteurs blijven bescheiden over de huidige reikwijdte en merken op dat de evaluatie is uitgevoerd op een relatief kleine cohort (12 patiënten) en dat de huidige implementatie een post-processing tool is in plaats van een real-time systeem. Ze benadrukken dat toekomstig werk vereist is om de generaliseerbaarheid op grotere, diverse cohorten te valideren en om de computationele efficiëntie voor real-time toepassing te optimaliseren.