Robust automatic brain vessel segmentation in 3D CTA scans using dynamic 4D-CTA data

Resumen Técnico: Segmentación Robusta de Vasos Cerebrales Automática en Escaneos 3D de CTA mediante Datos de 4D-CTA Dinámicos

Planteamiento del Problema
La angiografía por tomografía computarizada intracraneal (CTA) es una herramienta diagnóstica crítica para la detección de anomalías vasculares. Si bien la 4D-CTA dinámica proporciona información vascular temporal detallada, el protocolo clínico predominante sigue siendo la CTA de fase única. La extracción robusta de la vasculatura cerebral a partir de escaneos de fase única es un desafío debido a la presencia de hueso y tejido blando de fondo, así como a la dificultad de distinguir arterias de venas sin un procesamiento posterior exhaustivo. Además, los enfoques actuales de aprendizaje profundo para la segmentación de vasos enfrentan limitaciones significativas:

• Escasez de Datos: Los conjuntos de datos de alta calidad y de grano fino son escasos. Los conjuntos de datos existentes, como TopCoW, se centran principalmente en las arterias del Círculo de Willis (CoW), ignorando regiones vasculares más amplias que son relevantes para el manejo de enfermedades cerebrovasculares.
• Carga de Anotación: La anotación manual de imágenes de CTA requiere conocimientos anatómicos especializados y es laboriosa, particularmente para la separación de arterias y venas.
• Generalización: Los modelos entrenados en modalidades limitadas o en fases de contraste únicas suelen fallar al generalizar a través de diferentes fases de contraste o al capturar con precisión tanto las estructuras arteriales como las venosas.

Metodología
Los autores proponen un nuevo pipeline, DynaVessel, que aprovecha los datos de 4D-CTA dinámica para crear un conjunto de datos de entrenamiento robusto y mejorar el rendimiento de la segmentación. La metodología consta de tres etapas principales:

1. Adquisición y Preprocesamiento de Datos:

   • CTA Dinámica: Los escaneos se adquieren utilizando un escáner de TC con 320 filas de detectores, capturando imágenes en 19 puntos temporales durante 60 segundos tras la inyección de contraste.
   • Sustracción de Hueso/Tejido Blando: El escáner utiliza una imagen de base (adquirida antes de que el contraste llegue al cerebro) para restar el hueso y el tejido blando de las imágenes subsiguientes, mejorando la visualización de los vasos.
   • Separación de Vasos: Un algoritmo personalizado (Algoritmo 1) alinea las imágenes de fase arterial y venosa mediante transformaciones rígidas. Luego, suprime las estructuras venosas en la fase arterial y las estructuras arteriales en la fase venosa comparando las intensidades de los vóxeles entre las dos fases. Esto resulta en dos volúmenes distintos por paciente: un volumen arterial con supresión de hueso y vena ($S^*_a$) y un volumen venoso con supresión de hueso y arteria ($S^*_v$).
   • Extracción de ROI: Se aplica una máscara binaria del cráneo y el cuello para suprimir tejidos extracraneales, y las imágenes se remuestrean a una resolución isotrópica de 0.468 mm.

2. Anotación de la Verdad de Campo (Ground Truth - GT):

   • Los volúmenes de vasos separados se procesan utilizando el pipeline de extracción de características iCafe. Esto implica normalización de intensidad, umbralización (Phansalkar para seguimiento, entropía de Renyi para visualización) y un modelo de contorno activo de curva abierta para trazar estructuras similares a vasos.
   • Validación Manual: Un neurorradiólogo valida manualmente los trazos, eliminando estructuras espurias fuera del cráneo y corrigiendo variaciones anatómicas. Para las venas, las ramas distales se refinan manualmente para asegurar la precisión.
   • Construcción del Conjunto de Datos: El conjunto de datos final, DynaVessel, comprende 275 escaneos de CTA de cabeza de 43 pacientes. El conjunto de entrenamiento incluye 110 imágenes de 29 pacientes, mientras que el conjunto de prueba incluye 165 imágenes de 14 pacientes. Crucialmente, los datos de entrenamiento emparejan múltiples fases de contraste (3 a 19 volúmenes por paciente) con un único conjunto de anotaciones de GT, ampliando efectivamente el conjunto de datos de 4 a 5 veces e induciendo robustez a la variabilidad del contraste.

3. Entrenamiento y Evaluación del Modelo:

   • Arquitectura: Se entrena un modelo nnUNet (Residual Encoder UNet) sobre el conjunto de datos DynaVessel.
   • Métricas de Evaluación: El rendimiento se evalúa mediante el Coeficiente de Dice Modificado (mDC), la Distancia de Hausdorff Dirigida Promedio (adHD) y la Sensibilidad de Topología (tSens). La evaluación se realiza en segmentación binaria de vasos, segmentación de arteria-contra-vena y segmentación semántica a través de 20 regiones anatómicas arteriales específicas y 6 venosas.
   • Baselines (Modelos de Referencia): El modelo propuesto ($M_{DV}$) se compara contra modelos entrenados con TopCoW, VesselVerse y el modelo fundacional VesselFM.

Contribuciones Clave

1. Pipeline de Anotación: Los autores documentan un pipeline para anotar arterias y venas en escaneos de CTA de cabeza utilizando datos de 4D-CTA dinámica, lo que reduce significativamente el tiempo de anotación al aprovechar la sustracción y el trazado automatizado.
2. Conjunto de Datos DynaVessel: La presentación de DynaVessel, un conjunto de datos que contiene 275 escaneos con anotaciones de arteria y vena de grano fino, cubriendo una amplia gama de fases de contraste y regiones anatómicas (incluyendo arterias distales y senos venosos).
3. Benchmarking de Rendimiento: La evaluación de un modelo entrenado con DynaVessel frente a baselines de última generación, demostrando un rendimiento de segmentación superior tanto en arterias como en venas.

Resultados
El modelo entrenado con DynaVessel ($M_{DV}$) logró un rendimiento significativamente mejor que los modelos entrenados con TopCoW, VesselVerse o VesselFM en todas las regiones vasculares y conjuntos de datos:

• Dataset TopBrain: $M_{DV}$ alcanzó un mDC promedio de 0.846 para arterias y 0.957 para venas. En comparación, el mejor baseline (VesselVerse) logró 0.455 (arterias) y 0.031 (venas).
• Márgenes de Error: El modelo demostró bajos márgenes de error con un adHD de 0.304 mm para arterias y 0.078 mm para venas, y una alta sensibilidad de topología (tSens) de 0.877 (arterias) y 0.974 (venas).
• Robustez: Aunque el rendimiento varió naturalmente según la fase de contraste (por ejemplo, un menor rendimiento en fases pre-contraste), el entrenamiento con datos multifase mejoró significativamente la generalización en comparación con los modelos entrenados en fases pico únicas. Los estudios de ablación confirmaron que el entrenamiento en una sola fase reducía severamente la capacidad del modelo para generalizar a fases no vistas.
• Análisis Cualitativo: Las visualizaciones mostraron que $M_{DV}$ logró una cobertura casi completa de las estructuras arteriales y venosas con muy pocos falsos negativos, mientras que los modelos de referencia fallaron en detectar la mayoría de las venas o produjeron numerosas segmentaciones espurias.

Significancia
El artículo afirma que este trabajo constituye un paso significativo hacia la segmentación automática de todas las estructuras vasculares cerebrales en escaneos de CTA. Al utilizar datos de 4D-CTA dinámica, los autores superan las dificultades persistentes de distinguir arterias y venas intracraneales y reducen la naturaleza laboriosa de la anotación. El conjunto de datos y el modelo resultantes ofrecen una amplia aplicabilidad como entrada primaria o auxiliar para la evaluación de patologías cerebrovasculares, como la localización de oclusiones y la detección de aneurismas. Los autores señalan que, si bien la evaluación semántica de grano fino actual sirve como una aproximación de límite superior, la metodología proporciona una base para trabajos futuros que expandan las anotaciones y desarrollen arquitecturas para tareas de segmentación semántica complejas.