Résumé technique : La forme plutôt que l'intensité – Encodage topologique directionnel pour la réduction des faux positifs dans la détection des anévrismes intracrâniens

1. Énoncé du problème

La détection automatisée des anévrismes intracrâniens (IA) à partir de l'angioscanner (CTA) est actuellement entravée par des taux de faux positifs (FP) prohibitifs. Bien que les modèles d'apprentissage profond, en particulier les réseaux de neurones convolutifs, atteignent une sensibilité élevée pour les lésions volumineuses, ils éprouvent des difficultés significatives avec les petits anévrismes cliniquement critiques (<3 mm), où la sensibilité chute souvent en dessous de 60 %.

Le mode de défaillance central identifié est l'ambiguïté géométrique. Les réseaux de neurones convolutifs standards s'appuient fortement sur les intensités locales de pixels et les statistiques de texture. Dans les volumes CTA, les véritables anévrismes sacculaires et les bifurcations vasculaires saines présentent des distributions d'intensité locale quasi identiques. Par conséquent, ces modèles confondent systématiquement ces structures, traitant les intersections de branchements complexes comme des sacs bombés. Cette limitation est exacerbée par la résolution spatiale plus faible et le faible contraste vaisseau-fond inhérents au CTA par rapport à l'artériographie par soustraction numérique (DSA), qui est la méthode de référence. Les solutions existantes manquent souvent de validation externe, de données multi-institutionnelles et de métriques stratifiées par taille, ce qui conduit à des performances fragiles pour un déploiement clinique.

2. Méthodologie

Les auteurs proposent un cadre de réduction des faux positifs sensible à la topologie et prêt à l'emploi (plug-and-play). Plutôt que de remplacer les générateurs de candidats à haute sensibilité existants, ce module agit comme un filtre en aval conçu pour discriminer les vrais anévrismes des imitations anatomiquement plausibles en se basant sur des invariants structurels globaux plutôt que sur l'intensité locale.

2.1. Données et prétraitement

• Jeu de données : Les expériences utilisent un sous-ensemble curaté et fortement stratifié du jeu de données du défi de détection d'anévrismes intracrâniens RSNA 2025.
• Cohorte : L'étude se concentre sur les volumes CTA, comprenant environ 1 808 scanners. L'ensemble d'évaluation final comprend 1 201 patchs positifs pour l'anévrisme et une classe négative stratifiée :
  • Négatifs difficiles : 3 576 bifurcations vasculaires extraites par la méthode de Frangi (imitations anatomiquement plausibles).
  • Négatifs difficiles aléatoires : 1 787 structures vasculaires à haute intensité éloignées des lésions.
  • Négatifs faciles : 1 787 échantillons de tissus de fond.
• Extraction de patchs : Une stratégie d'échantillonnage d'extraction sensible à la topologie (TAXS) extrait des patchs de 64×64×64 voxels. Les patchs positifs sont ancrés sur des centroïdes annotés par des experts (rayon de 15 mm), tandis que les négatifs sont échantillonnés pour émuler la distribution des FP des générateurs à haute sensibilité.

2.2. Extraction de caractéristiques topologiques

Le cadre évalue trois méthodes de vectorisation dérivées de l'homologie persistante (PH) pour convertir les champs scalaires 3D en vecteurs compatibles avec l'apprentissage automatique :

1. Images de persistance (PI) : Projette les diagrammes de persistance dans des grilles euclidiennes en utilisant des noyaux gausiens.
2. Paysages de persistance (PL) : Mappe les diagrammes vers des représentations fonctionnelles dans des espaces de Banach.
3. Transformée de caractéristique d'Euler lisse (SECT) : La méthode centrale proposée.

L'approche SECT :
Contrairement à PI et PL, qui sont sans direction, la SECT est une représentation topologique directionnelle. Elle capture la configuration spatiale asymétrique des anévrismes par rapport à leurs vaisseaux parents.

• Mécanisme : Elle calcule les courbes de la caractéristique d'Euler (EC) en balayant le masque vasculaire de premier plan le long de directions uniformément échantillonnées sur une sphère.
• Lissage : Les courbes EC brutes (constantes par morceaux) sont lissées et intégrées pour produire des courbes de caractéristique d'Euler lisse (SEC) continues et linéaires par morceaux.
• Filtration : La méthode utilise une filtration de sur-niveau sur le champ d'intensité normalisé, isolant spécifiquement le deuxième groupe d'homologie (H2). Dans ce contexte, les caractéristiques H2 encodent la topologie du gradient d'intensité 3D, agissant comme des signatures morphologiques de convexité localisée (distinguant les dômes de type sac des branches tubulaires).
• Paramètres : La représentation finale utilise 128 directions, 25 étapes de filtration et une normalisation $L_2$.

3. Contributions clés

1. Encodage topologique directionnel : L'article introduit l'application de la SECT à l'imagerie cérébrovasculaire, démontrant que l'encodage de la structure géométrique directionnelle est supérieur aux résumés sans direction pour distinguer les anévrismes des bifurcations.
2. Réduction des FP "Plug-and-Play" : Le cadre est conçu comme un filtre modulaire pour les pipelines de détection existants, traitant le mode de défaillance spécifique consistant à confondre la géométrie sacculaire avec les structures de branchement, sans nécessiter de réentraînement complet des réseaux de détection.
3. Robustesse à la variance des scanners : L'étude teste rigoureusement la méthode sur quatre fabricants de scanners distincts (Siemens, GE, Toshiba/Canon, Philips), prouvant que les invariants topologiques sont plus résilients aux artefacts spécifiques au matériel que les profils d'intensité.
4. Focus sur les petites lésions : L'évaluation cible explicitement la cohorte <3 mm, la plus difficile et la plus critique sur le plan clinique, où la sensibilité des modèles standards s'effondre.

4. Résultats expérimentaux

4.1. Performance de classification

En utilisant une validation croisée à 5 plis avec à la fois une forêt aléatoire (RF) et un classificateur à vecteurs de support linéaire régularisé L1 (L1-SVC) :

• SECT : A atteint une AUC de 0,943 (RF) et 0,931 (L1-SVC).
• Baselines (PI/PL) : Ont obtenu des performances modérées avec des AUC se regroupant autour de 0,68.
• Conclusion : Le gain de performance est piloté par la représentation, et non par le classificateur. La SECT surpasse systématiquement les méthodes basées sur la persistance, particulièrement dans la région de haute sensibilité.

4.2. Performance stratifiée par taille

La SECT a démontré une capacité exceptionnelle sur les cas les plus difficiles :

• Petits anévrismes (<3 mm) : A maintenu une AUC de 0,943 avec une sensibilité de 78,5 % sous une contrainte stricte de spécificité de 95 %. Cela contraste nettement avec l'effondrement de la sensibilité (<60 %) typique des modèles basés sur l'intensité pour cette taille.
• Anévrismes moyens/grands : La performance est légèrement inférieure (AUC ~0,86–0,91), attribuée au déséquilibre des classes dans le jeu de données et au potentiel de troncature des grandes lésions par le rayon fixe du patch de 15 mm.

4.3. Robustesse inter-scanners

Sous validation Leave-One-Scanner-Out (LOGO) :

• La SECT a maintenu une haute généralisation à travers tous les fabricants, avec une AUC moyenne de 0,927.
• Dans certains cas (par exemple, les ensembles tenus de GE et Philips), la performance LOGO a égalé ou dépassé les bases de comparaison intra-scanner, confirmant que la frontière de décision topologique se transfère efficacement entre les domaines d'acquisition.

4.4. Distributions de négatifs mixtes

Lorsqu'elle est testée sur un mélange cliniquement réaliste de négatifs (bifurcations de Frangi, structures vasculaires difficiles et fond facile) :

• La SECT a maintenu une discrimination robuste (AUC 0,922).
• Analyse des faux positifs : La méthode a presque parfaitement rejeté les structures vasculaires difficiles (FPR = 0,003) et les bifurcations de Frangi (FPR = 0,024). Cependant, elle a présenté un FPR plus élevé (0,122) sur les tissus de fond non vasculaires "faciles", probablement en raison de coupes de tissus présentant des formes de dômes incidentes.

5. Signification et affirmations

L'article pose comme postulat que le principal facteur de confusion structurelle dans la détection des IA est l'ambiguïté géométrique entre les anévrismes et les bifurcations, que les modèles basés sur l'intensité ne peuvent résoudre. En déplaçant l'attention de "l'intensité" vers la "forme", les auteurs affirment que :

• Résolution de l'ambiguïté géométrique : Les représentations topologiques directionnelles (SECT) résolvent de manière fiable la confusion entre les protrusions sacculaires et les branchements symétriques, une tâche où les modèles standards échouent.
• Viabilité clinique pour les petites lésions : Le cadre offre une voie pour améliorer la détection des lésions de moins de 3 mm, un besoin non satisfait critique dans les diagnostics automatisés actuels.
• Agnosticisme vis-à-vis des scanners : En s'appuyant sur des invariants structurels plutôt que sur les valeurs brutes de pixels, la méthode réduit la dépendance à l'étalonnage spécifique des scanners, améliorant la généralisabilité à travers les différents systèmes hospitaliers.
• Potentiel d'intégration : La SECT est présentée comme un filtre robuste en aval, prêt à être intégré dans des pipelines de diagnostic hybrides par apprentissage profond pour réduire la charge de faux positifs qui entrave actuellement l'adoption clinique.

Les auteurs reconnaissent des limites, notamment le temps d'inférence actuel (~11 secondes par patch), qui nécessite une optimisation pour un déploiement en temps réel, ainsi que le fait que l'évaluation est actuellement au niveau du patch plutôt qu'une validation de pipeline de bout en bout. Néanmoins, ce travail établit la SECT comme un outil hautement efficace pour résoudre les confusions géométriques spécifiques qui affectent la détection automatisée des anévrismes, surpassant ainsi les méthodes traditionnelles basées sur la persistance, en particulier pour les petites lésions de moins de 3 mm et à travers différents fabricants de scanners.