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

Sintesi Tecnica: Segmentazione Automatica Robusta dei Vasi Cerebrali in Scansioni 3D CTA utilizzando Dati 4D-CTA Dinamici

Problematica
L'angio-tomografia computerizzata (CTA) intracranica è uno strumento diagnostico critico per il rilevamento di anomalie vascolari. Sebbene la 4D-CTA dinamica fornisca informazioni vascolari temporali dettagliate, il protocollo clinico predominante rimane la CTA a fase singola. Estrarre in modo robusto la vascolarizzazione cerebrale da scansioni a fase singola è complesso a causa della presenza di osso e tessuti molli di fondo, nonché della difficoltà nel distinguere arterie e vene senza un'estesa post-elaborazione. Inoltre, gli approoli esistenti di deep learning per la segmentazione dei vasi affrontano limitazioni significative:

• Scarsità di Dati: I dataset di alta qualità con annotazioni fini sono rari. I dataset esistenti come TopCoW si concentrano principalmente sulle arterie del Circolo di Willis (CoW), ignorando regioni vascolari più ampie rilevanti per la gestione delle malattie cerebrovascolari.
• Onere di Annotazione: L'annotazione manuale delle immagini CTA richiede conoscenze anatomiche specialistiche ed è laboriosa, in particolare per la separazione di arterie e vene.
• Generalizzazione: I modelli addestrati su modalità limitate o singole fasi di contrasto spesso non riescono a generalizzare attraverso diverse fasi di contrasto o a catturare accuratamente sia le strutture arteriose che quelle venose.

Metodologia
Gli autori propongono una nuova pipeline, DynaVessel, che sfrutta i dati 4D-CTA dinamici per creare un dataset di addestramento robusto e migliorare le prestazioni di segmentazione. La metodologia consiste in tre fasi principali:

1. Acquisizione e Pre-elaborazione dei Dati:

   • CTA Dinamica: Le scansioni vengono acquisite utilizzando uno scanner CT con 320 file di detector, catturando immagini in 19 punti temporali durante 60 secondi dopo l'iniezione del contrasto.
   • Sottrazione di Osso/Tessuto Molle: Lo scanner utilizza un'immagine di base (acquisita prima che il contrasto raggiunga il cervello) per sottrarre ossa e tessuti molli dalle immagini successive, migliorando la visualizzazione dei vasi.
   • Separazione dei Vasi: Un algoritmo personalizzato (Algoritmo 1) allinea le immagini della fase arteriosa e venosa tramite trasformazioni rigide. Successivamente, sopprime le strutture venose nella fase arteriosa e le strutture arteriose nella fase venosa confrontando le intensità dei voxel tra le due fasi. Ciò produce due volumi distinti per paziente: un volume arterioso con soppressione di osso e vene ($S^*_a$) e un volume venoso con soppressione di osso e arterie ($S^*_v$).
   • Estrazione ROI: Una maschera binaria del cranio e del collo viene applicata per sopprimere i tessuti extracranici, e le immagini vengono ricampionate a una risoluzione isotropa di 0,468 mm.

2. Annotazione della Ground Truth (GT):

   • I volumi dei vasi separati vengono elaborati tramite la pipeline di estrazione delle caratteristiche iCafe. Questa prevede la normalizzazione dell'intensità, la soglia (Phansalkar per il tracking, entropia di Renyi per la visualizzazione) e un modello di contorno attivo a curva aperta per tracciare le strutture simili a vasi.
   • Validazione Manuale: Un neuroradiologo valida manualmente i tracciati, rimuovendo le strutture spurie al di fuori del cranio e correggendo le variazioni anatomiche. Per le vene, i rami distali vengono raffinati manualmente per garantirne l'accuratezza.
   • Costruzione del Dataset: Il dataset finale, DynaVessel, comprende 275 scansioni CTA della testa da 43 pazienti. Il set di addestramento include 110 immagini di 29 pazienti, mentre il set di test include 165 immagini di 14 pazienti. Fondamentalmente, i dati di addestramento accoppiano molteplici fasi di contrasto (3–19 volumi per paziente) con un singolo set di annotazioni GT, ampliando efficacemente il dataset di 4–5 volte e inducendo robustezza alla variabilità del contrasto.

3. Addestramento del Modello e Valutazione:

   • Architettura: Un modello nnUNet (Residual Encoder UNet) è addestrato sul dataset DynaVessel.
   • Metriche di Valutazione: Le prestazioni sono valutate utilizzando il Coefficiente Dice Modificato (mDC), l'Average Directed Hausdorff Distance (adHD) e la Topology Sensitivity (tSens). La valutazione è condotta sulla segmentazione binaria dei vasi, sulla segmentazione arteria-vs-vena e sulla segmentazione semantica attraverso 20 specifiche regioni anatomiche arteriose e 6 venose.
   • Baseline: Il modello proposto ($M_{DV}$) è confrontato con i modelli addestrati su TopCoW, VesselVerse e il modello fondativo VesselFM.

Contributi Chiave

1. Pipeline di Annotazione: Gli autori documentano una pipeline per annotare arterie e vene nelle scansioni CTA della testa utilizzando dati 4D-CTA dinamici, il che riduce significativamente il tempo di annotazione sfruttando la sottrazione e il tracciamento automatizzato.
2. Dataset DynaVessel: La presentazione di DynaVessel, un dataset contenente 275 scansioni con annotazioni fini di arterie e vene, che copre una vasta gamma di fasi di contrasto e regioni anatomiche (incluse arterie distali e seni venosi).
3. Benchmarking delle Prestazioni: La valutazione di un modello addestrato su DynaVessel rispetto ai modelli di stato dell'arte, dimostrando prestazioni di segmentazione superiori in entrambe le regioni vascolari e nei dataset.

Risultati
Il modello addestrato su DynaVessel ($M_{DV}$) ha ottenuto prestazioni significativamente migliori rispetto ai modelli addestrati su TopCoW, VesselVerse o VesselFM in tutte le regioni e i dataset vascolari:

• Dataset TopBrain: $M_{DV}$ ha raggiunto un mDC medio di 0,846 per le arterie e 0,957 per le vene. In confronto, la migliore baseline (VesselVerse) ha ottenuto 0,455 (arterie) e 0,031 (vene).
• Margini di Errore: Il modello ha dimostrato margini di errore bassi con un adHD di 0,304 mm per le arterie e 0,078 mm per le vene, e un'alta sensibilità topologica (tSens) di 0,877 (arterie) e 0,974 (vene).
• Robustezza: Sebbene le prestazioni varino naturalmente in base alla fase di contrasto (ad esempio, prestazioni inferiori nelle fasi pre-contrasto), l'addestramento su dati multi-fase ha migliorato significativamente la generalizzazione rispetto ai modelli addestrati su singole fasi di picco. Gli studi di ablazione hanno confermato che l'addestramento su una singola fase riduceva drasticamente la capacità del modello di generalizzare su fasi non viste.
• Analisi Qualitativa: Le visualizzazioni hanno mostrato che $M_{DV}$ ha ottenuto una copertura quasi completa delle strutture arteriose e venose con pochissimi falsi negativi, mentre i modelli baseline non riuscivano a rilevare la maggior parte delle vene o producevano numerose segmentazioni spurie.

Significatività
Il lavoro sostiene che questa ricerca costituisce un passo significativo verso la segmentazione automatica di tutte le strutture vascolari cerebrali nelle scansioni CTA. Utilizzando i dati 4D-CTA dinamici, gli autori superano le lunghe difficoltà nel distinguere arterie e vene intracraniche e nel ridurre la natura laboriosa dell'annotazione. Il dataset e il modello risultanti offrono una vasta applicabilità come input primario o ausiliario per la valutazione delle patologie cerebrovascolari, come la localizzazione dell'occlusione e il rilevamento dell'aneurisma. Gli autori osservano che, sebbene l'attuale valutazione semantica fine serva come approssimazione del limite superiore, la metodologia fornisce una base per lavori futuri per espandere le annotazioni e sviluppare architetture per compiti di segmentazione semantica complessi.