Resumen Técnico: Forma sobre Intensidad – Codificación Topológica Direccional para la Reducción de Falsos Positivos en la Detección de Aneurismas Intracraneales

1. Planteamiento del Problema

La detección automatizada de aneurismas intracraneales (IA) a partir de angiografías por TC (CTA) se ve actualmente obstaculizada por tasas de falsos positivos (FP) prohibitivamente altas. Mientras que los modelos de aprendizaje profundo, particularmente las Redes Neuronales Convolucionales (CNN), logran una alta sensibilidad para lesiones grandes, tienen dificultades significativas con los aneurismas pequeños y clínicamente críticos (<3 mm), donde la sensibilidad a menudo cae por debajo del 60%.

El modo de falla central identificado es la ambigüedad geométrica. Las CNN estándar dependen fuertemente de las intensidades locales de píxeles y de la estadística de textura. En los volúmenes de CTA, los aneurismas saculares verdaderos y las bifurcaciones vasculares sanas exhiben distribuciones de intensidad local casi idénticas. En consecuencia, las CNN confunden sistemáticamente estas estructuras, tratando las intersecciones de ramificación complejas como sacos abultados. Esta limitación se ve exacerbada por la menor resolución espacial y el bajo contraste vaso-fondo inherente a la CTA en comparación con el estándar de oro, la Angiografía por Sustracción Digital (DSA). Las soluciones existentes carecen a menudo de validación externa, datos multiinstitucionales y métricas estratificadas por tamaño, lo que conduce a un rendimiento frágil en el despliegue clínico.

2. Metodología

Los autores proponen un marco de reducción de falsos positivos basado en la topología y listo para usar (plug-and-play). En lugar de reemplazar los generadores de candidatos de alta sensibilidad de las CNN existentes, este módulo actúa como un filtro descendente diseñado para discriminar aneurismas verdaderos de imitadores anatómicamente plausibles basándose en invariantes estructurales globales en lugar de la intensidad local.

2.1. Datos y Preprocesamiento

• Conjunto de Datos: Los experimentos utilizan un subconjunto curado y fuertemente estratificado del conjunto de datos del Desafío de Detección de Aneurismas Intracraneales RSNA 2025.
• Cohorte: El estudio se centra en volúmenes de CTA, que comprenden ~1,808 escaneos. El conjunto de evaluación final incluye 1,201 parches positivos para aneurismas y una clase negativa estratificada:
  • Negativos Difíciles: 3,576 bifurcaciones vasculares extraídas mediante el método de Frangi (imitadores anatómicamente plausibles).
  • Negativos Difíciles Aleatorios: 1,787 estructuras vasculares de alta intensidad distantes de las lesiones.
  • Negativos Fáciles: 1,787 muestras de tejido de fondo.
• Extracción de Parches: Una estrategia de Muestreo de Extracción Consciente de la Topología (TAXS) extrae parches de 64×64×64 vóxeles. Los parches positivos se anclan a centroides anotados por expertos (radio de 15 mm), mientras que los negativos se muestrean para emular la distribución de FP de los generadores de alta sensibilidad.

2.2. Extracción de Características Topológicas

El marco evalúa tres métodos de vectorización derivados de la Homología Persistente (PH) para convertir campos escalares 3D en vectores compatibles con el aprendizaje automático:

1. Imágenes de Persistencia (PI): Proyecta diagramas de persistencia en rejillas euclidianas utilizando núcleos gaussianos.
2. Paisajes de Persistencia (PL): Mapea diagramas a representaciones funcionales en espacios de Banach.
3. Transformada de Euler Suavizada (SECT): El método propuesto central.

El enfoque SECT:
A diferencia de PI y PL, que no son sensibles a la dirección, SECT es una representación topológica direccional. Captura la configuración espacial asimétrica de los aneurismas en relación con sus vasos parentales.

• Mecanismo: Computa curvas de la Característica de Euler (EC) mediante el barrido de la máscara de primer plano vascular a lo largo de direcciones uniformemente muestreadas en una esfera.
• Suavizado: Las curvas EC originales (constantes por partes) se suavizan e integran para producir curvas de Característica de Euler Suavizada (SEC) continuas y lineales por partes.
• Filtración: El método utiliza una filtración de supernivel sobre el campo de intensidad normalizado, aislando específicamente el segundo grupo de homología (H2). En este contexto, las características de H2 codifican la topología del gradiente de intensidad 3D, actuando como firmas morfológicas de convexidad localizada (distinguiendo domos saculares de ramas tubulares).
• Parámetros: La representación final utiliza 128 direcciones, 25 pasos de filtración y normalización $L_2$.

3. Contribuciones Clave

1. Codificación Topológica Direccional: El artículo introduce la aplicación de SECT a la imagenología cerebrovascular, demostrando que la codificación de la estructura geométrica direccional es superior a los resúmenes independientes de la dirección para distinguir aneurismas de bifurcaciones.
2. Reducción de FP Plug-and-Play: El marco está diseñado como un filtro modular para los pipelines de CNN existentes, abordando el modo de falla específico de confundir la geometría sacular con estructuras de ramificación sin requerir el reentrenamiento completo de las redes de detección.
3. Robustez a la Variación del Escáner: El estudio prueba rigurosamente el método a través de cuatro fabricantes de escáneres distintos (Siemens, GE, Toshiba/Canon, Philips), demostrando que los invariantes topológicos son más resilientes a los artefactos específicos del hardware que los perfiles de intensidad.
4. Enfoque en Lesiones Pequeñas: La evaluación se dirige explícitamente a la cohorte de <3 mm, el subconjunto más desafiante y clínicamente crítico donde la sensibilidad estándar cae drásticamente.

4. Resultados Experimentales

4.1. Rendimiento de Clasificación

Utilizando validación cruzada de 5 pliegues tanto con Random Forest (RF) como con clasificadores de Vectores de Soporte Lineal con regularización L1 (L1-SVC):

• SECT: Logró un AUC de 0.943 (RF) y 0.931 (L1-SVC).
• Líneas Base (PI/PL): Lograron un rendimiento moderado con AUCs agrupados alrededor de 0.68.
• Conclusión: La ganancia de rendimiento es impulsada por la representación, no por el clasificador. SECT supera consistentemente a los métodos basados en persistencia, particularmente en la región de alta sensibilidad.

4.2. Rendimiento Estratificado por Tamaño

SECT demostró una capacidad excepcional en los casos más difíciles:

• Aneurismas Pequeños (<3 mm): Mantuvo un AUC de 0.943 con una sensibilidad del 78.5% bajo una restricción estricta de especificidad del 95%. Esto contrasta fuertemente con la caída de la sensibilidad (<60%) típica de las CNN basadas en intensidad para este tamaño.
• Aneurismas Medianos/Grandes: El rendimiento fue ligeramente inferior (AUC ~0.86–0.91), atribuido al desequilibrio de clases en el conjunto de datos y al potencial truncamiento de las lesiones grandes por el radio fijo del parche de 15 mm.

4.3. Robustez Inter-Escáner

Bajo validación de Dejar un Escáner Fuera (LOGO):

• SECT mantuvo una alta generalización entre todos los fabricantes, con un AUC medio de 0.927.
• En algunos casos (por ejemplo, conjuntos de prueba retenidos de GE y Philips), el rendimiento LOGO igualó o incluso superó a los baselines dentro del mismo escáner, confirmando que la frontera de decisión topológica se transfiere eficazmente a través de los dominios de adquisición.

4.4. Distribuciones Mixtas de Negativos

Cuando se probó en una mezcla clínicamente realista de negativos (bifurcaciones de Frangi, estructuras vasculares difíciles y tejido de fondo fácil):

• SECT mantuvo una discriminación robusta (AUC 0.922).
• Análisis de Falsos Positivos: El método rechazó casi perfectamente las estructuras vasculares difíciles (FPR = 0.003) y las bifurcaciones de Frangi (FPR = 0.024). Sin embargo, exhibió un FPR más alto (0.122) en el tejido de fondo "fácil" no vascular, probablemente debido a secciones transversales de tejido con forma de domo incidental.

5. Significado y Reivindicaciones

El artículo postula que el principal confuso estructural en la detección de IA es la ambigüedad geométrica entre aneurismas y bifurcaciones, que los modelos basados en intensidad no pueden resolver. Al cambiar el enfoque de la "intensidad" a la "forma", los autores afirman:

• Resolución de la Ambigüedad Geométrica: Las representaciones topológicas direccionales (SECT) resuelven de manera confiable la confusión entre las protuberancias saculares y las ramificaciones simétricas, una tarea en la que las CNN estándar fallan.
• Viabilidad Clínica para Lesiones Pequeñas: El marco ofrece una vía para mejorar la detección de lesiones de menos de 3 mm, una necesidad clínica no satisfecha actualmente.
• Agnosticismo del Escáner: Al depender de invariantes estructurales en lugar de valores de píxeles brutos, el método reduce la dependencia de la calibración específica del escáner, mejorando la generalización entre distintos sistemas hospitalarios.
• Potencial de Integración: SECT se presenta como un filtro descendente robusto, listo para integrarse en pipelines de diagnóstico de aprendizaje profundo híbridos para reducir la carga de falsos positivos que actualmente impide la adopción clínica.

Los autores reconocen limitaciones, incluyendo el tiempo de inferencia actual (~11 segundos por parche), que requiere optimización para el despliegue en tiempo real, y el hecho de que la evaluación es actualmente a nivel de parche en lugar de una validación de pipeline de extremo a extremo. No obstante, el trabajo establece a SECT como una herramienta altamente efectiva para resolver los confusores geométricos específicos que plagan la detección automatizada de aneurismas, superando así a los métodos tradicionales basados en persistencia, particularmente para lesiones pequeñas de menos de 3 mm y a través de diferentes fabricantes de escáneres.