Towards the automated segmentation of epicardial and mediastinal fats: A multi-manufacturer approach using intersubject registration and random forest

Résumé Technique : Vers la Segmentation Automatisée des Graisses Épicardiques et Médiastinales

Énoncé du Problème
La quantification des tissus adipeux cardiaques, spécifiquement les graisses épicardiques et médiastinales, revêt une importance clinique car ces tissus sont corrélés à divers facteurs de risque cardiovasculaire, notamment la calcification des artères coronaires, la fibrillation auriculaire et la rigidité carotidienne. Contrairement à la graisse corporelle générale, la graisse cardiaque varie indépendamment de l'adiposité globale d'un sujet, nécessitant une analyse quantitative spécifique. Bien que la Tomographie Computérisée (CT) offre une résolution spatiale supérieure pour cette tâche par rapport à l'IRM ou à l'échocardiographie, la segmentation manuelle est très sujette à la variabilité inter- et intra-observateur. Les méthodes automatisées ou semi-automatisées existantes souffrent souvent de taux de réussite faibles, nécessitent une intervention utilisateur significative (par exemple, le placement de points de contrôle) ou manquent de robustesse face aux différents fabricants de CT. Ce travail répond au besoin d'une méthode entièrement automatique et reproductible pour segmenter les graisses épicardiques et médiastinales à partir de scanners CT standard de score calcique coronaire avec une intervention utilisateur minimale.

Méthodologie
L'approche proposée se compose de deux étapes principales : l'enregistrement inter-sujets d'images et la segmentation basée sur la classification.

1. Enregistrement Inter-sujets :
   Pour standardiser le positionnement des cœurs chez différents patients et fabricants (Siemens et Philips) sans placement manuel de repères, les auteurs ont développé une méthode d'enregistrement autonome.

   • Construction de l'Atlas : Un atlas de la région rétrosternale (la région située derrière le sternum) a été créé en moyennant 10 tranches rétrosternales manuellement alignées provenant de patients distincts, restreintes à la plage d'intensité des graisses (0 UH et plus).
   • Reconnaissance : Le système identifie la zone rétrosternale dans les nouvelles tranches de patients en faisant glisser l'atlas et en calculant un score de similarité à l'aide de l'Information Mutuelle Pondérée (WMI).
   • Confirmation Heuristique : Pour améliorer le taux de reconnaissance initial de 70 % de la WMI, une méthode de confirmation heuristique a été introduite. Cette méthode vérifie la position en contrôlant la continuité des dépôts de graisse. Elle définit une zone rectangulaire centrale et trace deux points ($p_l$ et $p_r$) dans les directions en bas à gauche et en bas à droite. La position est validée si la ligne de « liaison » résultante répond à des critères spécifiques de largeur, de déplacement et de distance par rapport à la largeur de l'image. Cette combinaison a porté le taux de réussite de la reconnaissance à 100 %.
   • Transformation : Une fois le centre rétrosternal identifié, une transformation affine est appliquée pour translater toutes les tranches du patient vers un point central commun, normalisant ainsi la position du cœur.

2. Segmentation Basée sur la Classification :
   Après l'enregistrement, la segmentation est effectuée en utilisant une approche d'apprentissage automatique supervisée (classification de pixels).

   • Vérité Terrain : Deux spécialistes (un physicien et un informaticien) ont manuellement segmenté les graisses épicardiques et médiastinales chez 20 patients (1000 tranches) pour créer un jeu de données de vérité terrain.
   • Extraction de Caractéristiques : Pour chaque pixel, un vecteur de caractéristiques a été construit incluant :
     • Le niveau de gris du pixel.
     • Les coordonnées spatiales absolues et relatives (par rapport au centre de gravité) ($x, y, z$).
     • Des caractéristiques basées sur la texture dérivées d'une fenêtre environnante (par exemple, 25x25 pixels), incluant la moyenne arithmétique, les moments de la matrice de co-occurrence, les moments géométriques, le pourcentage de runs, l'inhomogénéité des niveaux de gris et un Coefficient de Variation Lisse (CSV).
   • Sélection de l'Algorithme : Divers classificateurs de la bibliothèque Weka ont été évalués. Bien que J48Graft ait montré une haute précision, l'algorithme Random Forest a été sélectionné comme offrant le meilleur compromis entre précision et parcimonie de la segmentation.

Contributions Clés

• Flux de Travail Entièrement Automatique : La méthode élimine le besoin de points de contrôle manuels ou de placement de repères, un goulot d'étranglement courant dans les approches semi-automatisées précédentes.
• Robustesse Multi-Fabricants : L'approche a été validée sur des données CT provenant de deux fabricants différents (Siemens et Philips), démontrant une adaptabilité aux protocoles d'acquisition variables.
• Segmentation Double Tissu : Contrairement à de nombreux travaux antérieurs se concentrant uniquement sur la graisse épicardique, cette méthode segmente simultanément les graisses épicardiques et médiastinales, les distinguant sur la base de la limite du péricarde.
• Vérité Terrain Publique : Les auteurs fournissent un jeu de données publiquement disponible d'images CT cardiaques segmentées manuellement et les données de caractéristiques correspondantes, comblant ainsi un manque de références standardisées dans le domaine.

Résultats
La méthode a été évaluée à l'aide d'un jeu de données d'environ 3 Go dérivé de 20 patients. La performance a été évaluée en utilisant des modes de test de division à 66 % et de validation croisée à 10 plis.

• Précision : La précision moyenne pour la segmentation des graisses épicardiques et médiastinales était de 98,4 %.
• Taux de Vrais Positifs : Le taux moyen de vrais positifs était de 96,2 %.
• Indice de Similarité de Dice : L'indice moyen de similarité de Dice était de 96,8 %.
• Comparaison : Par rapport à la littérature existante (par exemple, Shahzad et al. avec un Dice de 89,15 %, Ding et al. avec un Dice de 93,0 %), ce travail a obtenu un score Dice plus élevé (97,9 % pour la graisse épicardique dans la division à 66 %) et un taux de réussite de segmentation automatique de 100 % (82 cas sur 82), alors que d'autres méthodes entièrement automatisées ont rapporté des taux de réussite inférieurs ou n'ont pas fourni cette métrique.

Signification et Limites
L'article affirme que l'intégration de l'enregistrement inter-sujets avec la classification Random Forest offre une solution robuste pour la quantification automatisée des graisses cardiaques, pouvant améliorer la valeur pronostique des essais CT cardiaques et réduire la variabilité des observateurs. Les auteurs notent que l'algorithme Random Forest a surpassé les réseaux de neurones et autres classificateurs basés sur des fonctions dans leur analyse.

Cependant, les auteurs reconnaissent modestement une limitation significative : le temps de traitement. Sur un ordinateur personnel standard (double cœur, 4 Go de RAM), l'algorithme prend actuellement plusieurs heures pour segmenter complètement un seul patient en raison de l'extraction extensive de caractéristiques et de la grande taille du jeu de données. Les auteurs suggèrent que les travaux futurs devraient se concentrer sur une évaluation extensive des caractéristiques pour sélectionner uniquement les attributs les plus importants, ce qui réduirait la taille du jeu de données et accélérerait l'étape de classification.