Due silhouette a raggi X hanno prodotto un femore 3D, ma la parte difficile era la corrispondenza
Una discussione su Horizon MachineLearning ha portato alla luce una pipeline di ricostruzione 3D basata soltanto su due silhouette a raggi X e 50 mesh di femori di riferimento. Il suo autore riporta errori su scala millimetrica su forme selezionate tenute fuori dal processo, pur non utilizzando alcuna rete neurale né CT del paziente durante la ricostruzione.
Il risultato più importante è meno lusinghiero. Diversi metodi comuni di corrispondenza hanno prodotto superfici molto più ruvide della geometria originale derivata da CT. ShapeWorks è stato l’unico metodo testato a superare la soglia di accettazione predefinita dall’autore.
Questo sposta il dibattito dalle reti neurali rispetto alla modellazione classica. La sfida centrale è tra un compatto prior anatomico e la diversità geometrica riscontrata nei pazienti reali. Un modello può ottimizzare perfettamente i propri coefficienti e fallire comunque quando l’anatomia target si trova al di fuori del proprio spazio delle forme appreso.
Il lavoro è stato condiviso pubblicamente, non pubblicato come studio sottoposto a revisione tra pari. I suoi risultati numerici non sono stati riprodotti in modo indipendente e la validazione su radiografie reali resta incompleta. Ciononostante, l’esperimento mostra dove questo tipo di ricostruzione riesce, dove si rompe e quali prove lo renderebbero clinicamente significativo.
Il progetto adatta una forma 3D a due contorni 2D
La pipeline descritta trasforma un problema inverso vincolato in un piccolo problema di ottimizzazione, ma solo dopo un’importante preparazione geometrica.
Secondo il post sulla ricostruzione da due viste, l’obiettivo è un femore distale specifico del paziente. Si tratta dell’estremità inferiore dell’osso della coscia, comprese le superfici arrotondate che formano l’articolazione del ginocchio.
Gli input proposti sono due silhouette ortogonali. Una rappresenta una vista postero-anteriore, mentre l’altra rappresenta una vista laterale. Ogni immagine registra soltanto se un pixel proiettato appartiene o meno al contorno dell’osso.
Queste silhouette eliminano densità interna, spessore corticale e struttura trabecolare. Vincolano il contorno esterno da due direzioni, ma non determinano in modo univoco ogni punto della superficie nascosta.
Per gestire questa ambiguità, l’autore ha costruito un modello statistico di forma a partire da 50 mesh di femori derivate da CT. Un modello statistico di forma rappresenta la variazione anatomica con una superficie media e un insieme limitato di pattern di deformazione coordinati.
Il modello utilizza l’analisi delle componenti principali, o PCA, per comprimere la variazione tra punti superficiali corrispondenti. Invece di ottimizzare ogni vertice in modo indipendente, la pipeline regola 10 coefficienti di forma.
Questi coefficienti spostano il femore medio lungo i pattern di variazione dominanti individuati nella raccolta di riferimento. Questa restrizione rende l’ottimizzazione gestibile e impedisce deformazioni arbitrarie, anatomicamente implausibili.
La pipeline applica inoltre un prior di Mahalanobis. Questa penalità misura quanto una combinazione di coefficienti sia insolita rispetto alla distribuzione osservata dal modello. Deformazioni grandi o improbabili diventano quindi più costose durante l’adattamento.
A ogni passaggio di ottimizzazione, l’attuale candidato 3D viene proiettato in entrambe le viste della camera. Le silhouette proiettate vengono confrontate con quelle target e la perdita risultante aggiorna i coefficienti di forma.
L’autore afferma che Adam esegue circa 1.000 iterazioni. Adam è un ottimizzatore basato sul gradiente che adatta l’ampiezza dell’aggiornamento per ogni parametro durante la minimizzazione ripetuta della perdita.
Quel gradiente proviene dal rendering differenziabile. Il renderer di PyTorch3D collega le differenze nello spazio dell’immagine ai vertici e ai parametri che le hanno prodotte.
La rasterizzazione convenzionale prende decisioni nette sul fatto che un triangolo copra un pixel. Queste decisioni creano discontinuità difficili da ottimizzare.
La rasterizzazione morbida sostituisce i confini netti con probabilità continue attorno ai bordi dei triangoli. Un contorno proiettato può quindi muoversi gradualmente verso il suo target invece di ricevere un segnale brusco e poco informativo.
L’autore riduce gradualmente il parametro sigma del renderer durante l’ottimizzazione. Sigma controlla la morbidezza del confine, quindi questa riduzione parte con gradienti permissivi e termina con un contorno più netto.
Questo approccio non addestra una rete neurale a prevedere l’anatomia. Esegue un’ottimizzazione specifica del paziente rispetto a un modello statistico precalcolato. Le mesh di riferimento forniscono comunque conoscenza a priori, ma non esiste un predittore appreso da immagine a forma.
Questa distinzione conta. Il progetto non elimina i dati di addestramento dal problema. Sostituisce un grande dataset supervisionato di immagini con una raccolta più piccola e accuratamente elaborata di superfici anatomiche allineate.
Anche l’idea di fondo precede questo esperimento. I ricercatori hanno già ricostruito femori da immagini biplanari calibrate utilizzando modelli statistici e corrispondenza dei contorni. L’elemento nuovo è un’implementazione accessibile costruita con componenti open-source attuali.
La corrispondenza è diventata la vera storia di Horizon MachineLearning
Il problema ingegneristico decisivo non era il rendering del femore, ma stabilire quali punti della superficie rappresentassero la stessa anatomia in 50 ossa diverse.
La PCA presuppone che ogni input contenga variabili dai significati coerenti. Per le immagini, la griglia dei pixel fornisce questa coerenza. Le mesh anatomiche di solito no.
Il vertice 4.000 su un femore potrebbe trovarsi vicino a un condilo. Il vertice 4.000 su un altro potrebbe occupare una caratteristica diversa o non avere alcuna relazione significativa.
Le risoluzioni delle mesh possono differire. La disposizione dei triangoli può cambiare. Il campionamento della superficie può concentrarsi in alcune regioni e diventare rado in altre.
Un modello statistico costruito da vertici non corrispondenti non apprende un’anatomia pulita. Mescola posizioni non correlate, producendo modalità di deformazione instabili e superfici ricostruite visibilmente ruvide.
L’autore ha inizialmente provato la corrispondenza del vicino più prossimo con un KD-tree. Questo metodo assegna i punti in base alla vicinanza spaziale, ma la prossimità non garantisce l’equivalenza anatomica.
La corrispondenza del vicino più prossimo può ripiegare le corrispondenze attraverso stretti spazi vuoti o farle scorrere lungo superfici lisce. Piccoli errori locali si accumulano quindi nell’intera coorte.
Il post riporta che questo approccio ha generato una rugosità della superficie pari a 50,7 volte quella della superficie CT di riferimento. Questo valore è una diagnostica riportata dall’autore, non un benchmark stabilito in modo indipendente.
È stato testato anche Coherent Point Drift, o CPD. CPD tratta un insieme di punti come centroidi in una miscela probabilistica e li sposta coerentemente verso un altro insieme.
La rugosità riportata è rimasta pari a 28,2 volte il riferimento derivato da CT. Il Bayesian CPD avrebbe raggiunto 47,5 volte, mentre FilterReg non avrebbe completato correttamente la procedura nella configurazione dell’autore.
Questi risultati non dovrebbero diventare classifiche universali del software di registrazione. Implementazioni, inizializzazione, pre-elaborazione, iperparametri, topologia e qualità della superficie possono influenzare fortemente ciascun metodo.
Mostrano però che la registrazione a coppie è stata insufficiente in questo particolare flusso di lavoro. Abbinare ogni femore indipendentemente a un unico template non ha creato un sistema di coordinate a livello di popolazione adatto alla PCA.
ShapeWorks ha cambiato questo esito. Il suo flusso di lavoro di corrispondenza delle particelle ottimizza i landmark sull’intera raccolta di forme invece di accettare la prossimità locale come corrispondenza.
Il software bilancia due obiettivi. Le particelle dovrebbero rappresentare accuratamente ogni singola superficie e la loro distribuzione nella popolazione dovrebbe creare un modello statistico compatto.
Il post riporta una rugosità della superficie pari a 3,3 volte il riferimento CT dopo l’uso di ShapeWorks. È stato l’unico risultato testato al di sotto della soglia di accettazione di cinque volte fissata dall’autore.
Anche questa soglia di accettazione merita attenzione. Il post afferma che è stata selezionata prima del test, riducendo una forma di selezione retrospettiva della soglia. Tuttavia, nessun significato clinico è associato a un rapporto di rugosità pari a cinque volte.
La rugosità della superficie non coincide con l’accuratezza della ricostruzione. Un femore liscio può avere dimensioni errate e una superficie accurata può mantenere piccoli artefatti di segmentazione.
Una valutazione completa richiede sia misure della qualità del modello sia misure a livello del paziente. Compattezza, generalizzazione e specificità descrivono il modello statistico. Distanza della superficie e landmark anatomici descrivono il risultato adattato.
Anche le misure a valle sono importanti. La geometria del ginocchio influenza la pianificazione degli impianti, l’analisi dell’allineamento e la simulazione biomeccanica. Gli errori attorno a un landmark clinicamente importante possono contare più di errori equivalenti lungo il fusto.
Il risultato sulla corrispondenza porta comunque la lezione generale più forte. Un sofisticato ottimizzatore non può salvare uno spazio delle forme malformato.
Funzioni di perdita migliori potrebbero migliorare l’accordo tra le silhouette. Più iterazioni potrebbero ridurre l’obiettivo. Nessuno dei due cambiamenti può riparare variabili anatomiche che non hanno mai rappresentato la stessa cosa nelle mesh di riferimento.
Un piccolo prior di forma sfida la ricostruzione ad alta intensità di dati
Il progetto mette sotto pressione le pipeline di ricostruzione neurale mostrando che forti vincoli anatomici possono ridurre la quantità di dati e supervisione richiesta.
I team di imaging medico ricorrono spesso a un modello neurale quando devono mappare immagini in geometria. Questo percorso può apprendere relazioni complesse, ma richiede coppie di addestramento adeguate e un’attenta validazione esterna.
I dati appaiati sono particolarmente difficili in questo caso. Un dataset utile includerebbe radiografie calibrate, segmentazione di alta qualità e geometria corrispondente derivata da CT degli stessi pazienti.
Accesso, consenso, differenze nei protocolli e impegno per l’annotazione complicano la raccolta. Le popolazioni cliniche variano inoltre per età, sesso, malattia, impianti e hardware di acquisizione.
Un modello statistico adotta una posizione diversa. I femori umani variano, ma non occupano l’intero universo delle possibili mesh. Un prior compatto può codificare direttamente relazioni anatomiche ricorrenti.
Le forme di riferimento del progetto proverrebbero da MedShapeNet. Il più ampio dataset di forme mediche è stato presentato con oltre 100.000 forme annotate in 23 dataset di componenti.
Questo totale non va confuso con la coorte di femori del progetto. L’autore su Reddit afferma che in questo modello sono entrate soltanto 50 mesh di femori derivate da CT.
Con 10 coefficienti, il processo di adattamento cerca in un sottospazio ristretto invece di prevedere milioni di coordinate non vincolate. Questo rende il sistema più interpretabile di molti modelli end-to-end.
Un coefficiente può essere collegato a una modalità del modello, visualizzato, limitato e confrontato con la propria distribuzione di addestramento. Il termine di Mahalanobis mostra inoltre quanto un candidato si discosti dalla popolazione di riferimento.
Questa trasparenza non rende il risultato intrinsecamente più sicuro. Rende più facili da ispezionare alcuni meccanismi di fallimento.
La limitazione centrale del modello è esplicita: può generare solo anatomia rappresentata dalla sua media e dalle modalità conservate. Non può inventare una deformazione esclusa dalla base delle forme.
Anche un modello neurale fatica al di fuori della propria distribuzione di addestramento. Tuttavia, la sua rappresentazione può nascondere quel fallimento dietro un output dall’aspetto plausibile e una previsione sicura.
L’approccio statistico rende il confine più visibile. Un coefficiente che raggiunge il proprio intervallo consentito è un avvertimento diretto che il modello non dispone di copertura.
Questa proprietà potrebbe supportare un utile sistema di esclusione. Invece di restituire una mesh rassicurante in ogni caso, il software potrebbe identificare i pazienti che richiedono una TC o una revisione manuale.
Tuttavia, il vantaggio dei pochi dati dipende da un costoso lavoro a monte. Le 50 superfici hanno richiesto segmentazione, pulizia, allineamento, ottimizzazione delle corrispondenze e controllo qualità.
Il progetto scambia quindi un onere legato ai dati con un altro. Evita un’enorme raccolta di immagini etichettate, ma richiede una coorte anatomica geometricamente coerente.
Questo approccio differisce anche dalla ricostruzione di un oggetto generico a partire da normali fotografie. Le sagome radiografiche sono proiezioni dell’anatomia secondo una geometria di imaging calibrata, non immagini a colori con indizi di texture e illuminazione.
Due viste vincolano scala e contorno meglio di una sola, soprattutto quando le telecamere sono ortogonali. Lasciano comunque ambigui avvallamenti non visibili e variazioni di profondità.
Il modello colma queste lacune con statistiche di popolazione. È il meccanismo alla base sia della sua efficienza sia del suo rischio.
Un sistema neurale più ampio potrebbe assimilare un’anatomia più diversificata, il rumore di imaging e i comportamenti della segmentazione. Il modello compatto offre vincoli più chiari, minori requisiti di dati e un perimetro operativo più ristretto.
Nessuno dei due approcci prevale in astratto. La domanda pertinente è se un sistema riconosca quando un paziente si trova al di fuori di quel perimetro.
I Risultati Millimetrici Nascondono un Fallimento di Copertura
Gli errori promettenti si applicano a target sintetici entro l’intervallo, mentre anatomie estreme hanno evidenziato fallimenti nel modello e nel suo allineamento iniziale.
L’autore riporta test leave-one-out su cinque femori esclusi. In ogni test, un target viene escluso mentre un modello viene costruito dalle restanti 49 mesh.
Per i target entro l’intervallo rappresentato dal modello, gli errori riportati vanno da 0,86 a 1,43 millimetri. Il post pubblico non fornisce un protocollo completo, errori per regione, intervalli di confidenza o artefatti di valutazione scaricabili.
Questi valori sono tecnicamente plausibili nel settore. Un precedente studio sul femore distale ha riportato un’accuratezza di registrazione rigida submillimetrica prima di valutare la ricostruzione della forma da immagini biplanari calibrate.
Altre ricerche hanno riportato errori medi nell’ordine del millimetro per la ricostruzione dell’arto inferiore in condizioni biplanari controllate. I confronti restano imperfetti perché dataset, metriche, calibrazione e anatomia target differiscono.
I due casi estremi del progetto attuale sono più informativi dei suoi risultati migliori. Il post afferma che entrambi i target si trovavano al di fuori della copertura del modello a 49 forme lungo la sua prima componente PCA.
Una volta che il target superava quell’intervallo supportato, l’ottimizzatore non disponeva di alcun coefficiente valido in grado di riprodurlo. Iterazioni aggiuntive non potevano creare una direzione anatomica mancante.
Non si tratta soltanto di un fallimento dell’ottimizzatore. È un fallimento di rappresentazione.
L’autore riporta inoltre un allineamento ICP bridge debole per quei casi, con una frazione di inlier pari a 0,6. ICP, o iterative closest point, stima l’allineamento abbinando ripetutamente geometrie vicine e aggiornando una trasformazione.
Il post afferma che questo errore di inizializzazione ha contribuito alle ricostruzioni fallite più dell’adattamento della forma. Ciò crea due confini interagenti.
Innanzitutto, il target deve essere posizionato abbastanza vicino al modello affinché l’ottimizzazione della sagoma converga correttamente. In secondo luogo, il modello deve contenere sufficiente variazione anatomica per rappresentare il target.
Una pipeline può fallire uno dei due test. Può anche superare la loss dell’immagine restituendo però una geometria nascosta errata.
Due sagome creano molte proiezioni equivalenti o quasi equivalenti. Un femore può corrispondere a entrambi i contorni pur differendo in regioni che nessuna delle due viste vincola con forza.
Il prior di Mahalanobis seleziona una soluzione plausibile tra queste possibilità. Tuttavia, la plausibilità riflette le 49 forme di addestramento, non una popolazione universale di pazienti.
Questa distinzione diventa importante per deformità, traumi, anatomia pediatrica, interventi chirurgici precedenti, tumori e morfologie insolite. Questi casi potrebbero essere proprio quelli in cui la geometria specifica del paziente conta di più.
Un modello addestrato su un’anatomia adulta relativamente tipica potrebbe funzionare meglio dove la ricostruzione è clinicamente meno necessaria. Potrebbe escludere o attenuare proprio i casi che richiedono una valutazione tridimensionale.
Il piccolo set di validazione non può stabilire le prestazioni nei sottogruppi. Cinque superfici escluse sono utili per il debug, ma non possono sostenere affermazioni sull’affidabilità clinica.
Il test leave-one-out riutilizza inoltre quasi l’intera coorte per ogni valutazione. I risultati tra i fold sono quindi correlati e la popolazione di test resta vicina al dataset di sviluppo.
Una validazione esterna indipendente fornirebbe un test più severo. Dovrebbe usare femori provenienti da un’altra istituzione, da uno scanner diverso, da un diverso processo di segmentazione e da una diversa popolazione di pazienti.
La letteratura pubblicata tratta già quest’area con cautela. Una rassegna sulla forma dell’anca ha rilevato che i modelli statistici possono collegare le radiografie all’anatomia 3D, identificando al contempo lacune nella validazione e nella popolazione.
La lettura corretta di 0,86-1,43 millimetri è quindi circoscritta. Si tratta di un risultato proof-of-concept riportato per mesh selezionate e supportate dal modello, in condizioni simulate.
Non è una prova che due normali radiografie cliniche possano sostituire la TC. Non è una prova per l’uso diagnostico, la pianificazione chirurgica o la selezione di impianti.
La Calibrazione del Renderer Può Prevalere sul Modello di Forma
Secondo quanto riportato, un singolo parametro di rendering sensibile alla scala ha modificato l’accuratezza di 87 volte, rivelando quanto fragile possa diventare l’ottimizzazione nello spazio delle immagini.
La rasterizzazione morbida richiede una larghezza di transizione attorno ai confini dei triangoli proiettati. Se tale larghezza è troppo grande, la sagoma diventa sfocata e la sua loss non riesce a localizzare con precisione il contorno reale.
Se la larghezza è troppo piccola all’inizio, i gradienti scompaiono lontano dal confine corrente. L’ottimizzatore riceve quindi poche indicazioni quando la proiezione iniziale non coincide con il target.
L’annealing di sigma affronta questo conflitto. Un ampio confine iniziale attrae la forma candidata, mentre un confine finale stretto supporta un adattamento accurato.
L’autore riporta che il valore finale dell’annealing doveva corrispondere al sigma usato per generare il rendering di riferimento. Una costante ottimizzata per un modello di forma avrebbe causato un degrado dell’accuratezza di 87 volte su un altro.
Anche in questo caso, si tratta di un’affermazione tratta dalla descrizione pubblica del progetto. Il post non fornisce abbastanza artefatti per verificare il rapporto o isolare ogni variabile contribuente.
La correzione proposta collegava il valore finale all’estensione della telecamera moltiplicata per 0,0001. L’estensione della telecamera descrive la scala della scena renderizzata nel sistema di coordinate scelto.
Questa normalizzazione ha senso sul piano concettuale. Un valore di morbidezza espresso in unità assolute del modello si comporterà diversamente quando un altro dataset usa una scala differente.
La lezione va oltre sigma. Calibrazione della telecamera, unità della mesh, risoluzione dell’immagine, tipo di proiezione, piani di clipping e convenzioni delle coordinate possono tutti influenzare la geometria ricostruita.
Un metodo che funziona dopo una regolazione specifica per dataset potrebbe fallire quando viene esportato in un altro ospedale. Sistemi diversi possono codificare le distanze in millimetri, metri, coordinate normalizzate o unità relative ai pixel.
Gli esperimenti sintetici possono nascondere queste discrepanze perché lo stesso renderer crea il target e valuta la ricostruzione. Il modello diretto coincide perfettamente con sé stesso.
Le radiografie reali rompono questa simmetria. Includono ingrandimento, diffusione, anatomia sovrapposta, rumore, campi visivi incompleti e errori nei metadati di acquisizione.
Anche i loro contorni sono meno nitidi delle sagome sintetiche binarie. Il femore distale può sovrapporsi a tibia, rotula, tessuti molli, impianti o dispositivi di posizionamento.
Il progetto presuppone attualmente che il contorno osseo sia già disponibile. L’autore identifica la segmentazione automatica come lavoro non ancora completato.
Questa fase mancante è sostanziale. Un errore di contorno diventa un’istruzione geometrica per l’ottimizzatore, che deformerà il femore per spiegare i pixel sbagliati.
L’incertezza della segmentazione dovrebbe quindi entrare nel modello di ricostruzione. Il sistema potrebbe pesare meno i confini ambigui o propagare l’incertezza del contorno nella confidenza finale sulla superficie.
Testare soltanto sagome perfette non può rivelare questo comportamento. Perturbazioni controllate aiuterebbero a misurare la sensibilità a bordi mancanti, contorni spostati ed errori di calibrazione.
Una terza vista potrebbe aggiungere vincoli perché la loss può sommare gli errori su proiezioni aggiuntive. Aumenterebbe però la complessità dell’acquisizione e si allontanerebbe dalla premessa delle due viste del progetto.
Le informazioni sulla densità potrebbero offrire più evidenze di un contorno binario, ma richiederebbero un modello di formazione dell’immagine più realistico. Introdurrebbero inoltre ipotesi su esposizione, materiale e attenuazione.
La semplice formulazione basata sulle sagome è attraente perché evita queste variabili. La sua debolezza è che scarta informazioni prima che inizi l’ottimizzazione.
Il prossimo passo corretto non è semplicemente ridurre l’errore sintetico della superficie. È verificare se l’intera pipeline rimane stabile quando errori realistici di acquisizione entrano nel ciclo.
Tre Test Decideranno se l’Approccio è Trasferibile
Il progetto necessita ora di validazione clinica appaiata, maggiore copertura anatomica e rilevamento esplicito dei fallimenti prima che la sua accuratezza riportata abbia un significato pratico.
Il primo segnale è la prestazione su dati reali appaiati di radiografia e TC. Ogni paziente fornirebbe due radiografie calibrate per la ricostruzione e una superficie derivata dalla TC per un confronto indipendente.
Quel test dovrebbe mantenere la geometria TC al di fuori del processo di adattamento. Dovrebbe inoltre separare l’errore di segmentazione, l’errore di calibrazione della telecamera, l’errore di registrazione e l’errore del modello di forma.
Le distanze della superficie per regione sarebbero più informative di una singola media globale. Gli errori vicino ai condili, all’incisura intercondiloidea e ai riferimenti chirurgici meritano una rendicontazione separata.
La valutazione dovrebbe includere misure anatomiche rilevanti per l’uso proposto. Una piccola distanza media non garantisce assi, larghezze, angoli o regioni di contatto dell’impianto accurati.
Il successo su casi appaiati rafforzerebbe l’affermazione che l’adattamento di sagome sintetiche si trasferisce alle immagini cliniche. Un forte calo mostrerebbe che il renderer attuale risolve un problema più pulito di quello presentato dalla radiografia.
Il secondo segnale è una validazione esterna su una coorte più ampia. Cinquanta mesh di riferimento possono dimostrare la fattibilità, ma offrono una copertura limitata della variazione demografica e patologica.
Uno studio più ampio dovrebbe divulgare la composizione della coorte, i criteri di esclusione, la patologia, la lateralità e le procedure di segmentazione. Dovrebbe inoltre riservare un set di test completamente indipendente.
I casi più preziosi si troveranno vicino o oltre il confine del modello. Testare soltanto l’anatomia tipica nasconderebbe l’esatta limitazione già osservata nei due esempi estremi.
I ricercatori dovrebbero riportare come cambia l’accuratezza quando più forme di riferimento e modalità PCA entrano nel modello. Più modalità possono migliorare la copertura, ma possono anche indebolire la regolarizzazione e introdurre deformazioni instabili.
Questo esperimento rivelerebbe se l’attuale modello a 10 coefficienti cattura una base anatomica durevole o si limita ad adattare efficacemente una piccola raccolta.
Il terzo segnale è un meccanismo automatico di esclusione. Il sistema dovrebbe identificare input inaffidabili prima che chiunque utilizzi la mesh risultante.
Possibili avvisi includono coefficienti vicini ai limiti del modello, un’elevata distanza di Mahalanobis, scarso accordo delle sagome, una bassa frazione di inlier ICP o disaccordo tra inizializzazioni ripetute.
Un utile punteggio di confidenza deve correlare con l’errore 3D effettivo su pazienti non osservati. Non può basarsi soltanto sulla loss di ottimizzazione perché le superfici nascoste possono restare errate nonostante i contorni corrispondano.
I test prospettici dovrebbero specificare le soglie di rigetto prima di esaminare gli esiti finali. Questo impedisce di selezionare soglie favorevoli dopo che i fallimenti diventano evidenti.
Se questi tre segnali emergeranno insieme, il progetto diventerebbe più di un'interessante dimostrazione geometrica. Offrirebbe un percorso verificabile verso una ricostruzione selettiva e specifica per il paziente, senza ricorrere di routine alla CT.
Se l'accuratezza sulle immagini reali dovesse crollare, se coorti più ampie restassero prive di supporto o se i fallimenti non potessero essere rilevati, la conclusione più circoscritta manterrebbe comunque la sua importanza. Il rendering differenziabile può adattarsi alle silhouette, ma non può fornire prove anatomiche che il modello di forma non ha mai contenuto.
Per gli sviluppatori che seguono il filone Horizon MachineLearning, la sfida immediata è la riproducibilità. Il settore ha bisogno di codice, suddivisioni fisse dei dati, parametri della fotocamera, impostazioni delle corrispondenze e distribuzioni complete degli errori.
Per i team medici, la domanda è più rigorosa: il metodo riesce a riconoscere il paziente che non dovrebbe ricostruire? La risposta conta più del suo migliore risultato in millimetri.
