19 juli 2024

Naam: Joeran Bosma
Vaste aanstelling: Radboudumc (Nijmegen), afdeling Beeldvorming, Diagnostic Image Analysis Group.
Tijdelijke aanstelling: Universiteit van Lübeck (Duitsland), in de Medische Deep Learning groep van Mattias Heinrich.
Reisperiode: 18 december 2023 – 7 maart 2024

Achtergrond

Radiologen zullen in de toekomst naar verwachting een aanzienlijk hogere werklast hebben. Kankerdetectie op basis van deep learning kan radiologische beoordelingen optimaliseren en ervoor zorgen dat kankerzorg voor iedereen toegankelijk blijft. De PI-CAI (Prostate Imaging: Cancer AI) Challenge heeft geleid tot diagnostische algoritmen van expertniveau voor de detectie van klinisch significante prostaatkanker (1). Deze algoritmen zijn ontwikkeld en geëvalueerd op (handmatig) uitgelijnde MRI-beelden. Om deze algoritmen te kunnen toepassen in de dagelijkse klinische praktijk, is er een automatisch beeldregistratie-algoritme nodig. Deze studie had als doel om het beste algoritme voor prostaatkankerdiagnose met behulp van AI te identificeren.

Hypothese
Prostaat scans kunnen verkeerd uitgelijnd zijn door patiëntbewegingen, elastische vervormingen van zacht weefsel en beeldartefacten (2). Hierdoor kan de informatie van verschillende MRI-modaliteiten verkeerd uitgelijnd zijn, wat het moeilijk maakt voor zowel mensen als algoritmen om laesies nauwkeurig te karakteriseren.

Onze verwachting is dat we een automatisch algoritme kunnen ontwikkelen dat deze beelden weer kan uitlijnen, op een manier dat dit ook voor AI-algoritmes behulpzaam is.

We kunnen deze vraag beantwoorden door robuuste, geautomatiseerde beeldregistratie-algoritmen te ontwikkelen die de diffusie-MRI-scan uitlijnen ten opzichte van de T2-gewogen MRI-scan.

Methoden
We onderzoeken het state-of-the-art algoritme RegLib (Fraunhofer MEVIS) voor het uitlijnen van verschillende MRI-sequenties. De impact van de algoritmen op de diagnostische prestaties zal worden beoordeeld met behulp van de PROMIS-dataset, die bekend staat om registratie-fouten. Hiervoor gebruiken we een recent AI-algoritme voor prostaatkanker detectie, dat superieure performance heeft laten zien ten opzichte van een panel van 62 radiologen wereldwijd (1).

Resultaten
Het uitlijnen van de diffusie-MRI-scan ten opzichte van de T2-gewogen MRI-scan leidde tot een positieve maar statistisch insignificante verbetering in diagnostische performance (3). Naast deze observatie hebben we laten zien dat de impact van uitlijning groot kan zijn, wat aangeeft dat co-creatie van een algoritme door registratie-experts en diagnostische AI-experts samen tot significante verbeteringen kan leiden. Naast de kwantitatieve analyse, hebben we ook een uitgebreide kwalitatieve analyse uitgevoerd samen met twee expert prostaat radiologen. Deze analyse laat zien dat grote fouten in de uitlijning zorgen voor grote fouten in de modelvoorspelling. Kleine uitlijningsfouten lijken maar een geringe impact te hebben. In de figuur hieronder is dit resultaat te zien.

Referenties

1. Saha A, Bosma JS, Twilt JJ, Van Ginneken B, Bjartell A, Padhani AR, et al. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study. The Lancet Oncology. 2024 Jul;25(7):879–87.
2. Kovacs B, Netzer N, Baumgartner M, Schrader A, Isensee F, Weißer C, et al. Addressing image misalignments in multi-parametric prostate MRI for enhanced computer-aided diagnosis of prostate cancer. Sci Rep. 2023 Nov 13;13(1):19805.
3. Hering A, de Boer S, Saha A, Twilt JJ, Heinrich MP, Yakar D, et al. Deformable MRI Sequence Registration for AI-based Prostate Cancer Diagnosis [Internet]. arXiv; 2024 [cited 2024 Jul 19]. Available from: https://arxiv.org/abs/2404.09666

Verblijf bij Universiteit van Lübeck

Het verblijf in de onderzoeksgroep van Mattias Heinrich was een erg leerzame ervaring. Tijdens dit internship heb ik een andere groepsdynamiek mogen ervaren, een nieuwe infrastructuur leren kennen, en belangrijke nieuwe connecties opgebouwd. Naast de paper die we hebben geschreven op basis van deze 3-maandse internship, hebben we besloten om deze onderzoeksvraag verder uit te werken en gaan aan een tweede gezamenlijk paper werken (maar dan voor mij weer vanuit Nederland). Daarnaast zijn we nu ook een nieuw gezamenlijk onderzoeksproject begonnen, waarbij een PhD kandidaat uit Mattias’ groep een internship komt doen bij de Diagnostic Image Analysis Group van het Radboudumc. Een succesvolle reis dus!