Multi-Task Framework for Efficient Knee Osteoarthritis Segmentation and Classification

Knieartrose is een langzaam, slijtend proces van de gewrichten dat miljoenen mensen treft en eenvoudige bewegingen verandert in bronnen van chronische pijn en stijfheid. Om te begrijpen wat er in de knie gebeurt voordat de schade ernstig wordt, vertrouwen artsen op magnetische resonantie-imaging, oftewel MRI. In tegenstelling tot standaard röntgenfoto's, die alleen botten laten zien, creëert een MRI een gedetailleerde, driedimensionale kaart van de zachte weefsels, inclusief het kraakbeen dat het gewricht dempt en de meniscus die fungeert als schokdemper. In de afgelopen jaren hebben wetenschappers zich tot kunstmatige intelligentie gewend om te helpen bij het interpreteren van deze complexe beelden, in de hoop de diagnose te automatiseren en vroege tekenen van ziekte op te sporen die het menselijk oog zou kunnen missen. De uitdaging was het vinden van een manier om computers te leren deze subtiele veranderingen nauwkeurig te zien zonder dat daar enorme hoeveelheden rekenkracht of tijd voor nodig zijn.

Een team van onderzoekers van universiteiten in Maleisië en Frankrijk heeft een nieuwe aanpak voor dit probleem ontwikkeld die een veelvoorkomend uitgangspunt in het vakgebied uitdaagt. Voor een tijdje was het heersende idee dat, omdat MRI-scans driedimensionale volumes zijn, de beste manier om ze te analyseren het gebruik van computermodellen is die het volledige 3D-datapakket in één keer verwerken. Deze modellen, bekend als 3D convolutionele neurale netwerken, zijn ontworpen om te begrijpen hoe de ene doorsnede van de knie met de volgende verbonden is, vergelijkbaar met hoe een persoon een verhaal begrijpt door hele hoofdstukken te lezen in plaats van alleen individuele zinnen. Deze 3D-modellen zijn echter extreem zwaar, vereisen krachtige en dure computers om te draaien, en ze hebben vaak moeite om effectief te leren omdat ze proberen te veel informatie tegelijk te verwerken, inclusief delen van de afbeelding die niet relevant zijn voor de ziekte.

De onderzoekers stelden een andere strategie voor: een uniform systeem dat twee dingen tegelijkertijd leert. In plaats van alleen te proberen te beslissen of een patiënt artrose heeft, wordt de computer ook gevraagd om een nauwkeurige omtrek van het kraakbeen en de meniscus binnen de afbeelding te tekenen. Deze dubbele taak werkt als een gids, die de computer dwingt om aandacht te besteden aan de specifieke anatomische structuren die het belangrijkst zijn voor de diagnose. Door het systeem te leren de vorm en locatie van deze weefsels te herkennen, hoopten de onderzoekers dat het beter zou worden in het opsporen van de ziekte, zelfs als het de beelden op een eenvoudigere manier verwerkt. Ze bouwden een flexibel framework dat kon werken met ofwel de zware 3D-modellen, ofwel een lichtere versie die naar de MRI één doorsnede tegelijk bekijkt, vergelijkbaar met het bladeren door de pagina's van een boek in plaats van het hele boek in één hand te houden.

Om hun idee te testen, trainde het team hun systeem op een enorme collectie van meer dan 105.000 MRI-doorsneden van bijna 1.200 patiënten. Deze beelden kwamen uit een publieke database en bevatten door experts geverifieerde labels die aangaven of de patiënt artrose had, samen met gedetailleerde kaarten die precies lieten zien waar het kraakbeen en de meniscus zich bevonden. De onderzoekers voerden een reeks experimenten uit om te zien welke methode het beste werkte. Ze vergeleken modellen die alleen naar de ziekte zochten met modellen die ook de anatomische kaarten tekenden. Ze vergeleken ook de zware 3D-modellen met de lichtere 2D-modellen die de MRI doorsnede voor doorsnede verwerken. De resultaten waren duidelijk en enigszins verrassend. Het systeem dat de beelden één doorsnede per keer verwerkte, terwijl het tegelijkertijd leerde om de gewrichtsstructuren te omlijnen, presteerde aanzienlijk beter dan de complexe 3D-modellen.

Het op doorsneden gebaseerde model bereikte een classificatienauwkeurigheid van 96,70 procent, waarbij de aanwezigheid van artrose in bijna elk geval correct werd geïdentificeerd. In tegenstelling hiertoe bereikte het 3D-model, ondanks zijn vermogen om het hele volume te zien, een nauwkeurigheid van 86,57 procent wanneer dezelfde dubbele taakmethode werd gebruikt, en presteerde zelfs slechter wanneer het probeerde alleen de diagnose te leren zonder de hulp van de segmentatietaak. De onderzoekers ontdekten dat de 3D-modellen gevoelig waren voor overfitting, wat betekent dat ze de specifieke trainingsdata uit het hoofd leerden in plaats van algemene regels te leren, waarschijnlijk omdat het aantal unieke 3D-volumes te klein was in verhouding tot de complexiteit van het model. Het 2D-model, door elke doorsnede afzonderlijk te verwerken, kon leren van een veel grotere effectieve dataset en richtte zich scherper op de kritieke gebieden. Bovendien was het 2D-systeem veel efficiënter; het had slechts 9,56 megabyte aan geheugen nodig om op te slaan, terwijl de 3D-tegenhangers aanzienlijk meer middelen nodig hadden, waarbij één variant meer dan 139 megabyte vereiste.

De studie suggereert dat voor deze specifieke medische taak de extra complexiteit van het analyseren van het volledige 3D-volume niet noodzakelijk is en zelfs een belemmering kan vormen. Door de diagnose te combineren met de taak van het in kaart brengen van de anatomie, creëerden de onderzoekers een systeem dat niet alleen nauwkeuriger is, maar ook sneller en goedkoper te draaien is. Deze bevinding biedt een praktisch pad voorwaarts voor ziekenhuizen, met name die met beperkte rekenkracht, om automatische screening voor knieartrose te implementeren. Het systeem voorziet artsen van zowel een diagnose als een visuele kaart van het beschadigde weefsel, wat een duidelijker beeld geeft van de conditie van de patiënt zonder de zware computationele kosten die eerder het gebruik van dergelijke geavanceerde instrumenten beperkten. Het werk demonstreert dat het soms, door het probleem stukje voor stukje aan te pakken met een duidelijke focus op de details, een beter resultaat oplevert dan proberen het hele plaatje in één keer te vatten.