Scaling up fine-grained intracranial vessel annotations in computed tomography angiography

Resumen Técnico: Escalamiento de la anotación de vasos intracraneales de grano fino en Angiotomografía Computarizada

Declaración del Problema
La segmentación de vasos intracraneales es esencial para el diagnóstico y manejo de las enfermedades cerebrovasculares (ECV), pero sigue siendo en gran medida un proceso manual y laborioso realizado por radiólogos. Si bien la Angiotomografía Computarizada (ATC) se utiliza ampliamente en la práctica clínica debido a su rentabilidad y velocidad en comparación con la Angiorresonancia Magnética (ARM), los enfoques actuales de aprendizaje profundo para la segmentación de vasos se han centrado predominantemente en datos de ARM. Además, los conjuntos de datos de ATC actuales suelen tratar las arterias distales o menores como fondo, lo que limita la capacidad del modelo para realizar una segmentación semántica de grano fino. La falta de conjuntos de datos anotados de grano fino y a gran escala para la ATC obstaculiza el desarrollo de herramientas automatizadas que puedan proporcionar biomarcadores cuantitativos para la evaluación de enfermedades.

Metodología
Los autores proponen SemanticVessel, un flujo de trabajo semiautomático y un conjunto de datos diseñado para escalar las anotaciones de grano fino para vasos intracraneales en exploraciones de 4D-ATC dinámicas.

• Adquisición y Preprocesamiento de Datos: El estudio utiliza datos de 4D-ATC dinámica, que capturan la dinámica del contraste a través de las fases arterial y venosa. El flujo de preprocesamiento implica:

  1. Registro: Alineación de las fases arterial y venosa a un marco espacial común para corregir el movimiento.
  2. Separación de Fases: Aplicación de técnicas de sustracción para suprimir el fondo y los vasos no deseados. Específicamente, se aplica la supresión de venas a la fase arterial (reteniendo los vóxeles donde $S_a - S_{v\to a} > 0$) y la supresión de arterias a la fase venosa, creando volúmenes distintos ($S^*_a$ y $S^*_v$).
  3. Generación de Semillas: Uso de normalización de histograma Nyuz, umbralización automática basada en la entropía de Renyi y filtros de vascularidad de Hessian multiescala para generar máscaras de vasos binarias iniciales.
  4. Crecimiento de Regiones: Un algoritmo de crecimiento de regiones guiado por la intensidad expande estas semillas para recuperar vasos delgados, con tolerancias específicas definidas para evitar la sobre o subsegmentación.

• Estrategia de Anotación:

  • Intervención del Experto: Un neurorradiólogo experimentado utiliza una GUI interactiva para asignar etiquetas semánticas a los ejes centrales de los vasos extraídos.
  • Definición de Clases: El conjunto de datos incluye 20 clases arteriales únicas (p. ej., ICA, M1, A1, VA, BA, PComm) y una única clase de "vena". Crucialmente, las arterias menores que son demasiado costosas de anotar individualmente se fusionan en una clase genérica de "otra arteria" en lugar de descartarse como fondo.
  • Propagación de Etiquetas: Debido a la naturaleza multifase de la 4D-ATC, las etiquetas generadas para una fase se registran rígidamente y se propagan a otras fases dentro de la misma serie, aumentando significando el tamaño del conjunto de datos sin costo de anotación adicional.
  • Escala del Conjunto de Datos: El conjunto de datos final comprende 360 volúmenes de ATC de 41 pacientes para entrenamiento, más 50 exploraciones de 5 pacientes excluidos para verificación manual.

• Entrenamiento del Modelo:

  • Los autores emplean una arquitectura 3D nnU-Net con un ajuste preestablecido de Residual Encoder Large (ResEncL).
  • Entrada: El modelo recibe dos canales: la imagen de la ATC y un volumen de coordenadas izquierda-derecha específico del sujeto (que codifica la distancia normalizada desde la línea media cerebral) para ayudar a distinguir estructuras homólogas hemisféricas.
  • Funciones de Pérdida: Los modelos se entrenan utilizando una combinación de pérdidas de Dice y Entropía Cruzada. Además, se utiliza una "pérdida de recuperación de esqueleto" (skeleton recall loss) para penalizar los vóxeles de eje central perdidos, mejorando la conectividad topológica.

Contribuciones Clave

1. Conjunto de Datos SemanticVessel: La creación del mayor conjunto de datos hasta la fecha para la segmentación de arterias cerebrales de grano fino en ATC, con 22 clases (21 arteriales + 1 venosa) y 360 volúmenes.
2. Flujo de Trabajo de Anotación Novedoso: Un flujo de trabajo semiautomático que aprovecha la dinámica de la 4D-ATC para reducir la carga del radiólogo, cambiando la tarea de la anotación manual de vóxeles a la asignación de etiquetas en ejes centrales segmentados.
3. Manejo de Vasos Menores: Un enfoque estratégico para fusionar las arterias menores en una clase genérica en lugar de descartarlas como fondo, lo cual los autores demuestran que mejora el rendimiento general de la segmentación.
4. Reutilización de Etiquetas entre Fases: Un método para multiplicar el tamaño del conjunto de datos reutilizando las anotaciones en diferentes fases temporales de la misma exploración.

Resultados
Los modelos fueron evaluados en los conjuntos de datos TopCoW y TopBrain utilizando el Coeficiente de Dice Modificado (mDC), la Distancia de Hausdorff Dirigida Promedio (adHD) y la Sensibilidad Topológica (tSens).

• Impacto de la Completitud de las Etiquetas: El entrenamiento con "Todas las etiquetas" (incluyendo venas y la clase genérica de "otra arteria") produjo los mejores resultados. Específicamente, la configuración de "Todas las etiquetas" alcanzó el tSens más alto (0.9387) y el adHD más bajo (0.2399) entre las configuraciones. La inclusión de la clase de arteria genérica proporcionó el beneficio supervisorio más significativo, mejorando el mDC para las arterias de 0.7279 (solo arterias con nombre) a 0.8847 (todas las arterias).
• Función de Pérdida: Los modelos entrenados con la Pérdida de Recuperación de Esqueleto mostraron mejoras consistentes en la completitud topológica y la precisión de los bordes en comparación con los entrenados con la pérdida estándar de Dice/CE.
• Multifase vs. Fase Única: El entrenamiento en datos de múltiples fases superó al entrenamiento de solo fase arterial, resultando en una mejora de 0.0409 en el mDC en el conjunto de datos TopBrain.
• Coordenadas Izquierda-Derecha: La incorporación de la entrada de coordenadas izquierda-derecha mejoró significamente el rendimiento, particularmente para estructuras pareadas como la ICA y la M1, aumentando el mDC para las arterias de 0.6453 a 0.8734.
• Generalización: Los modelos entrenados con SemanticVessel superaron a los modelos entrenados con subconjuntos de TopBrain cuando se evaluaron en casos de TopBrain excluidos.

Significancia y Reivindicaciones
El artículo afirma que SemanticVessel aborda la brecha crítica en la segmentación de vasos intracraneales de grano fino para la ATC. Al demostrar que incluir clases de vasos "no etiquetadas" o genéricas evita que el modelo suprima estructuras vasculares reales, los autores argumentan que su enfoque produce segmentaciones más robustas y clínicamente relevantes. El trabajo destaca que los datos de 4D-ATC dinámica, si se procesan correctamente, pueden reducir drásticamente la carga de anotación mientras aumentan el volumen de datos. Los autores afirman que sus resultados muestran que los modelos entrenados con estas clases genéricas adicionales producen mejores segmentaciones de grano fino en todos los ámbitos. Su objetivo es poner su código, la GUI de anotación y los pesos del modelo a disposición de la comunidad científica para inspirar el desarrollo de conjuntos de datos más completos y nuevas estrategias de preentrenamiento para datos cerebrovasculares.

Limitaciones
Los autores reconocen algunas limitaciones:

• La dependencia de una herramienta de segmentación cerebral comercial para generar el canal de coordenadas izquierda-derecha significa que el rendimiento puede degradarse si la máscara cerebral falla (p. ej., en exploraciones sin cráneo).
• El esquema de anotación es menos granular que TopBrain (21 estructuras arteriales frente a 34), lo que puede limitar la utilidad para tareas específicas como el modelado de visión-lenguaje fundamentado.
• El conjunto de datos carece de cobertura de arterias ocluidas y variantes anatómicas comunes (p. ej., ausencia de arterias comunicantes posteriores).
• El paso de crecimiento de regiones utiliza parámetros heurísticos que pueden requerir ajustes para diferentes escáneres.
• Las anotaciones no siempre están completamente conectadas, lo que limita la utilidad del conjunto de datos para simulaciones de fluidos dinámicos que requieren árboles vasculares completos.