Advances in Ultrasound Imaging: Automated 3D Segmentation of Anatomical Structures in the Forearm

Technische Samenvatting: Geautomatiseerde 3D-segmentatie van anatomische structuren in de onderarm

Probleemstelling
Musculoskeletale echografie (MSUS) is een hoeksteen in de reumatologie en de klinische geneeskunde, maar het bereiken van bekwaamheid blijft een aanzienlijke barrière vanwege de substantiële training die vereist is. Hoewel de beeldkwaliteit en functionele modaliteiten (bijv. power Doppler, elastografie) zijn verbeterd, rust de interpretatie van 2D-doorsneden zwaar op het vermogen van de gebruiker om 3D-anatomie mentaal te reconstrueren. Deze cognitieve belasting, gecombineerd met de tijdrovende en kostbare aard van traditionele training (cursussen, video's, mentorschap), beperkt de toegankelijkheid van hoogwaardige MSUS voor minder ervaren personeel. Bovendien zijn bestaande 3D-visualisatiemethoden voor solide organen en specifieke structuren (zenuwen, spieren) nog niet uitgebreid toegepast op de complexe anatomie van de flexorzijde van de onderarm in een geautomatiseerde, multi-structuurcontext.

Methodologie
De studie maakte gebruik van een dataset bestaande uit echografiebeelden van 50 individuen: 25 patiënten met een gevestigd carpaaltunnelsyndroom (CTS) en 25 gezonde controles. Scans werden uitgevoerd op de flexorzijde van de onderste onderarm met een GE Logiq 10 scanner met een 6–15 MHz probe in MSK-modus. Het imagingprotocol legde videoloops vast van 15 cm proximaal van de polsplooi tot aan de ingang van de carpaaltunnel.

• Data Annotatie: Ongeveer 50 frames per individu werden handmatig gesegmenteerd door een ervaren reumatoloog. Dertien anatomische structuren waren het doel, maar de studie richtte zich op de segmentatie van 11 specifieke structuren: de nervus medianus, de arteria radialis, de radius en ulna, de scafoid en pisiforme botten, en vijf spieren (m. pronator quadratus, m. flexor carpi radialis, m. flexor pollicis longus, m. flexor digitorum profundus en m. flexor digitorum superficialis).
• Algoritme Architectuur: Een volledig convolutioneel encoder–decoder U-net type netwerk werd toegepast. De architectuur heeft zes niveaus met cross-over verbindingen, waarbij gebruik wordt gemaakt van 2×2 max pooling in de encoder en 2×2 repeat upsampling in de decoder. Elk niveau bevat twee 3×3 convolutielagen met ReLU-activatie.
• Trainingsprotocol: Beelden werden geëxporteerd met minimale filtering, gedownscaled naar 256×256 pixels en gebruikt zonder contrastaugmentatie. Het model werd getraind met Keras met een 10-voudige cross-validatiestrategie, een Adam-optimizer, 150 epochs en een Dice loss functie. Om overfitting te voorkomen, werden willekeurige augmentaties toegepast, waaronder gamma intensiteitstransformatie, willekeurige horizontale spiegeling en het toepassen van willekeurige Gaussische schaduwen.
• Evaluatiemetrieken: Prestaties werden beoordeeld met de Dice-score voor segmentatienauwkeurigheid en de F1-score voor detectienauwkeurigheid. Een detectie werd beschouwd als een ware positieve als de geautomatiseerde segmentatie meer dan 25% overlapte met de handmatige grondwaarheid (ground truth). Segmentatieregio's kleiner dan een straal van 7 pixels werden genegeerd.
• Visualisatie: 3D-visualisaties werden gegenereerd door positiegegevens te benaderen op basis van uniforme, lineaire probebeweging. De gesegmenteerde gegevens en de originele echografieframes werden gerenderd met het CustusX navigatieplatform, waardoor 2D-beelden kunnen worden ingebed binnen 3D-anatomische contexten.

Belangrijkste Resultaten
Het algoritme vertoonde variërende niveaus van succes over de 11 gesegmenteerde structuren:

• Detectienauwkeurigheid: De nervus medianus en de m. pronator quadratus bereikten de hoogste detectienauwkeurigheid (0,98). Zeven van de elf structuren overschreden een detectienauwkeurigheid van 0,90. Het pisiforme bot vertoonde de laagste detectienauwkeurigheid (0,40).
• Segmentatienauwkeurigheid: De hoogste segmentatienauwkeurigheid werd waargenomen voor de m. flexor digitorum superficialis (0,83), terwijl het pisiforme bot de laagste had (0,25).
• Visualisatie: De studie genereerde succesvol 3D-visualisaties waarbij specifieke structuren (bijv. nervus medianus in blauw, arteria radialis in rood, botten in geel) geïsoleerd konden worden of gecombineerd konden worden met semi-transparante 2D-echografie overlays.
• Geobserveerde Beperkingen: De auteurs merkten specifieke foutmodi op, zoals het feit dat het algoritme een deel van de m. flexor digitorum superficialis verkeerd classificeerde als een tweede m. flexor carpi radialis. Daarnaast werd de lage Dice-scores voor het pisiforme bot toegeschreven aan het beperkte gezichtsveld van de dataset, die vaak eindigde bij het bot in plaats van het volledige verloop ervan te vangen.

Betekenis en Claims
Het artikel beweert het eerste werk te zijn dat automatische segmentatie en annotatie van de flexormusculatuur van de onderste onderarm via echografie demonstreert. De primaire betekenis ligt in het potentieel om MSUS te transformeren van een puur operator-afhankelijke vaardigheid naar een technologie-ondersteunde tool. Door de reconstructie van de anatomie te verschuiven van de geest van de operator naar het beeldvormingssysteem, biedt deze technologie:

1. Verbeterde Training: Een instrument voor bedside-onderwijs dat anatomisch intuïtieve representaties biedt, wat het ruimtelijk begrip ondersteunt voor minder ervaren clinici.
2. Reproduceerbaarheid: Geautomatiseerde segmentatie maakt consistente identificatie van structuren mogelijk, wat de inter-operator variabiliteit vermindert.
3. Contextuele Visualisatie: Het vermogen om 2D-doorsneden te bekijken binnen een 3D-skeletomgeving helpt de kloof tussen 2D-beeldvorming en 3D-anatomische realiteit te overbruggen.

De auteurs nemen een bescheiden standpunt in door te erkennen dat de technologie nog geen 100% nauwkeurigheid bereikt en dat de huidige dataset geen probe-tracking bevat, wat de vloeiendheid van 3D-reconstructies beperkt. Zij stellen dat hoewel volledig geautomatiseerde robotische onderzoeken de handmatige vaardigheidsontwikkeling kunnen hinderen, AI-ondersteunde real-time correctie van de probe-positionering de vaardigheden van de operator kan verbeteren en beeldvormingsprotocollen kan standaardiseren.