3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

Elk jaar lijden miljoenen mensen wereldwijd aan een beroerte, een plotselinge onderbreking van de bloedtoevoer naar de hersenen die kan leiden tot de dood of langdurige invaliditeit. Wanneer een beroerte optreedt, is tijd de meest kritieke factor. Artsen vertrouwen op magnetische resonantie beeldvorming, of MRI, om precies te zien waar de schade is opgetreden. Deze scans produceren gedetailleerde, driedimensionale beelden van de hersenen, waardoor artsen de beschadigde weefsels, bekend als de laesie, kunnen lokaliseren. Om de patiënt effectief te behandelen, moeten artsen de grootte en vorm van dit beschadigde gebied met precisie meten. Het handmatig doen hiervan op een computerscherm is echter traag, tijdrovend en foutgevoelig, vooral wanneer de beschadigde gebieden minuscuul of verspreid zijn.

In de afgelopen jaren hebben computers geleerd om dit werk automatisch te doen. Met behulp van een type kunstmatige intelligentie genaamd deep learning kunnen machines nu hersenbeelden scannen en de beschadigde gebieden in seconden markeren. Maar er is een aanzienlijk probleem met de manier waarop deze computers momenteel werken. Ze gedragen zich als zelfverzekerde experts die nooit toegeven dat ze het niet zeker weten. Wanneer een computer een grens rond een beroerte tekent, geeft hij één enkel, definitief antwoord zonder de arts te vertellen of hij het absoluut zeker weet of gewoon een gok doet. In een medische setting is dit gebrek aan eerlijkheid gevaarlijk. Een arts moet niet alleen weten waar de computer denkt dat de schade zit, maar ook waar de computer twijfelt, zodat hij die specifieke plekken kan controleren voordat er levensbelangrijke beslissingen worden genomen.

Een team van onderzoekers aan de Sidi Mohamed Ben Abdellah Universiteit in Marokko heeft een nieuwe manier ontwikkeld om dit op te lossen. Ze creëerden een systeem dat niet alleen de beroerte vindt, maar de arts ook vertelt hoeveel vertrouwen het heeft in het eigen werk. Hun aanpak combineert een krachtig computermodel dat ontworpen is om de hele hersenen in één keer te zien met een slimme truc die het model toestaat om over dezelfde afbeelding meerdere keren op een iets andere manier na te denken. Door deze verschillende gedachten te vergelijken, kan het systeem precies in kaart brengen welke delen van de afbeelding duidelijk zijn en welke delen verwarrend zijn. Dit stelt de computer in staat om de arts een kaart van de beroerte te overhandigen, samen met een aparte kaart die laat zien waar de computer onzeker is, waardoor een simpel geautomatiseerd hulpmiddel verandert in een betrouwbare partner voor medische besluitvorming.

De onderzoekers testten hun nieuwe systeem op een grote collectie hersenscans van een belangrijke internationale uitdaging waarbij honderden patiënten uit verschillende ziekenhuizen betrokken waren. Deze scans bevatten twee specifieke soorten beelden die de gouden standaard zijn voor het opsporen van acute beroertes: één die laat zien waar de waterbeweging in de hersenen geblokkeerd is, en een andere die meet hoe gemakkelijk water door het weefsel kan bewegen. Het team trainde hun computer om naar het volledige driedimensionale volume van de hersenen te kijken in plaats van ze alleen in platte, tweedimensionale plaatjes te snijden. Dit is cruciaal omdat beroertes vaak complexe, onregelmatige vormen hebben die zich over meerdere lagen van de hersenen uitstrekken, en het bekijken van het volledige volume helpt de computer de ware structuur van de letsel te begrijpen.

Om het systeem bewust te maken van de eigen zekerheid, gebruikten de onderzoekers een techniek genaamd Monte Carlo Dropout. In eenvoudige bewoordingen houdt dit in dat er een kleine schakelaar aan blijft staan in de hersenen van de computer tijdens de laatste analyse. Normaal gesproken staat deze schakelaar uit zodra de computer getraind is, maar hier lieten ze hem aan. Deze schakelaar zet willekeurig kleine delen van het denkproces van de computer uit tijdens elke keer dat de computer naar een afbeelding kijkt. Omdat de computer naar dezelfde afbeelding kijkt door telkens een iets andere "lens", produceert hij voor elke blik een iets ander antwoord. De onderzoekers vroegen de computer om elke hersenscan twintig keer te bekijken. Door deze twintig verschillende antwoorden te middelen, creëerde de computer een definitief, nauwkeuriger beeld van de beroerte. Belangrijker nog, door te kijken naar hoeveel die twintig antwoorden van elkaar verschilden, kon de computer voor elk punt in de afbeelding een score van onzekerheid berekenen.

De resultaten toonden aan dat deze methode op twee niveaus werkt. Ten eerste werd de computer beter in het vinden van de beroerte. Door een specif kind type aandachtmechanisme te gebruiken dat het model leerde om zich te concentreren op de belangrijkste delen van de afbeelding en de gezonde hersenweefsels te negeren, verbeterde het systeem zijn vermogen om de beschadigde gebieden te detecteren. Het vond meer van het werkelijke beroerte-weefsel dan eerdere methoden, wat essentieel is omdat het missen van zelfs een klein stukje beschadigde hersenweefsel kan leiden tot een slechte behandelplanning. Het systeem behaalde een score van 0,6816 bij het meten van hoe goed de omlijning overeenkwam met de werkelijke schade, wat het beste resultaat was onder de geteste enkelvoudige modellen op deze specifieke dataset.

Ten tweede, en misschien wel belangrijker, genereerde het systeem succesvol de onzekerheidskaarten. De onderzoekers ontdekten dat wanneer de computer zelfverzekerd was, de twintig verschillende blikken allemaal overeenkwamen, wat resulteerde in een lage onzekerheidsscore. Wanneer de computer onzeker was, varieerden de twintig blikken aanzienlijk, wat een hoge onzekerheidsscore opleverde. Deze hoge scores verschenen precies daar waar de computer fouten maakte: bij de vage randen van de beroerte of bij zeer kleine, moeilijk te zien letsels. Het systeem markeerde van nature de kleinste en meest complexe beroertes als de meest onzekere gevallen. Dit betekent dat een arts in een echt ziekenhuis de kaart van de computer kan bekijken en direct een gloeiend gebied van onzekerheid rond een lastige plek kan zien, wetende dat dit exact de plek is die nauwkeurig onderzocht moet worden.

De studie vergeleken hun enkelvoudige computermodel ook met andere systemen die veel verschillende modellen samen gebruiken, bekend als ensembles. Hoewel die grote groepen modellen soms een iets hogere nauwkeurigheid bereikten, boden zij geen informatie over het vertrouwen. Het waren nog steeds zwarte dozen die een enkel antwoord gaven zonder uitleg. Het nieuwe systeem van het Marokkaanse team is uniek omdat het het eerste is dat een gedetailleerde, punt voor punt vertrou𝘄enskaart biedt voor driedimensionale beroerte-segmentatie op deze benchmark. Het bewijst dat een enkel, goed ontworpen model zowel accuraat als eerlijk kan zijn over zijn beperkingen.

Dit werk vertegenwoordigt een verschuiving van het behandelen van kunstmatige intelligentie als een magische doos die simpelweg een resultaat produceert, naar het behandelen van kunstmatige intelligentie als een instrument dat zijn redenering communiceert. De onderzoekers hebben aangetoond dat door de computer zijn onzekerheid te laten uiten, ze de nauwkeurigheid niet hoefden op te offeren. Sterker nog, de methode verbeterde de detectie van kleine beroertes zonder dat er extra trainingstijd of complexe wijzigingen in de onderliggende architectuur nodig waren. Het systeem is klaar voor gebruik in een workflow waarbij de computer het zware werk van het scannen van de afbeelding doet, en de arts zich alleen op de gebieden kan concentreren waar de computer onzeker is. Deze samenwerking zorgt ervoor dat de snelheid van automatisering wordt gecombineerd met de veiligheid van menselijk toezicht, een noodzakelijke stap om deze technologieën naar echte ziekenhuizen te brengen om patiënten te helpen herstellen van een beroerte.