A Workflow to Efficiently Generate Dense Tissue Ground Truth Masks for Digital Breast Tomosynthesis

Titolo

Un flusso di lavoro per generare efficientemente maschere "Ground Truth" per i tessuti densi nella Tomografia Digitale del Seno (DBT)

1. Il Problema

La Tomografia Digitale del Seno (DBT) è diventata lo standard di cura per lo screening del cancro al seno negli Stati Uniti, offrendo una caratterizzazione quasi tridimensionale dei tessuti che migliora il rilevamento delle lesioni rispetto alla mammografia 2D convenzionale. L'alta densità mammaria è un fattore di rischio significativo per il cancro al seno.

Tuttavia, lo sviluppo di algoritmi di intelligenza artificiale per la segmentazione automatica dei tessuti fibroglandolari (tessuto denso) è limitato dalla scarsità di dati di addestramento annotati manualmente. La creazione di maschere di segmentazione binarie per il tessuto denso su interi volumi DBT è un processo estremamente oneroso in termini di tempo e lavoro, poiché un singolo volume può contenere oltre 100 slice (fette) che richiedono una delineazione manuale slice-by-slice. La mancanza di dataset pubblici annotati in 3D ostacola la ricerca e l'ottimizzazione di modelli di deep learning.

2. Metodologia

Gli autori hanno proposto un framework innovativo per ridurre drasticamente il tempo e lo sforzo necessari per generare maschere di ground truth per il tessuto denso. Il metodo si basa su un'interfaccia grafica (GUI) interattiva e un algoritmo di propagazione iterativa.

Flusso di lavoro proposto:

1. Selezione della Slice Centrale: L'utente (es. un radiologo) carica il volume DBT completo. Il sistema visualizza automaticamente la slice centrale ricostruita.
2. Definizione della ROI: L'utente delimita una regione di interesse (ROI) approssimativa che racchiude il tessuto fibroglandolare sulla slice centrale utilizzando uno strumento di disegno poligonale. Questa fase esclude regioni irrilevanti come la pelle, il capezzolo, il muscolo pettorale o i linfonodi.
3. Selezione Interattiva della Soglia: All'interno della ROI, l'utente regola uno slider per selezionare la soglia di intensità che meglio separa il tessuto denso dal tessuto adiposo. Il sistema fornisce feedback visivo in tempo reale e dati quantitativi sull'area segmentata.
4. Propagazione Iterativa e Ottimizzazione:
   • L'algoritmo proietta la ROI definita sulla slice centrale su tutte le altre slice del volume DBT.
   • Per ogni slice successiva, l'algoritmo esegue una ricerca automatica per determinare la soglia di intensità specifica che produce un'area di tessuto denso segmentata il più possibile coerente con l'area di riferimento della slice centrale.
   • Questo processo iterativo compensa le variazioni di intensità causate da artefatti fuori piano e dallo sfocamento dei bordi tipici delle slice periferiche (superiori e inferiori).
5. Output: Il risultato è una maschera 3D completa che rappresenta la distribuzione volumetrica del tessuto denso, generata basandosi sull'annotazione di una singola slice.

Dataset e Valutazione:

• Dati: Sono stati utilizzati 176 volumi DBT (88 viste CC e 88 viste MLO) da 44 pazienti con valutazione BI-RADS 1 (normale), tratti dal dataset pubblico DBTex (sistemi Hologic).
• Protocollo di Valutazione:
  • Accordo Inter-lettore: Due radiologi hanno generato indipendentemente maschere per gli stessi volumi utilizzando il framework. La coerenza è stata misurata tramite il coefficiente di similarità Dice a livello di paziente.
  • Accuratezza vs. Ground Truth Manuale: Per validare l'accuratezza, un radiologo ha eseguito una segmentazione manuale completa (slice-by-slice) su slice selezionate (20° e 80° percentile) per confrontarle con le maschere generate dal metodo proposto.

3. Contributi Chiave

• Riduzione del Carico di Lavoro: Il framework riduce l'annotazione da centinaia di slice a una sola (la slice centrale), rendendo la creazione di dataset di ground truth 3D fattibile su larga scala.
• Strumento Open Source: È stata sviluppata e resa pubblicamente disponibile una GUI (disponibile su GitHub) che facilita l'adozione del metodo da parte della comunità di ricerca.
• Algoritmo Adattivo: L'approccio di aggiustamento iterativo della soglia per slice garantisce la coerenza volumetrica, affrontando le sfide specifiche della DBT come la variazione di intensità e gli artefatti.
• Dataset di Validazione: La creazione di un set di dati annotati da due esperti per 44 pazienti, che serve come base per lo sviluppo di algoritmi di segmentazione automatica.

4. Risultati

• Accordo Inter-lettore: Il metodo ha dimostrato un'elevata riproducibilità tra i due radiologi, con un coefficiente Dice mediano di 0.84 (SD = 0.12). Non sono state rilevate differenze sistematiche tra le viste CC e MLO. L'accordo è stato leggermente superiore per i seni con densità visiva (VAD) > 50% (Dice = 0.89) rispetto a quelli < 50% (Dice = 0.81), probabilmente a causa della maggiore difficoltà nella segmentazione di piccole quantità di tessuto denso in seni prevalentemente adiposi.
• Accuratezza del Metodo: Confrontando le maschere generate dal framework con le segmentazioni manuali complete sulle slice di riferimento (20° e 80° percentile), il coefficiente Dice mediano è stato di 0.83 (SD = 0.11).
• Analisi degli Outlier: I casi con punteggi Dice più bassi sono stati attribuiti principalmente a errori umani nella selezione della soglia iniziale in casi di seni molto grassi (dove strutture come vasi e pieghe cutanee possono avere intensità simili al tessuto denso) e alla sensibilità del coefficiente Dice quando l'oggetto segmentato è molto piccolo.

5. Significato e Conclusioni

Questo studio presenta una soluzione pratica ed efficiente per superare il collo di bottiglia nella creazione di dati annotati per la DBT.

• Impatto sulla Ricerca: Il framework fornisce una base solida ("ground truth") per addestrare e validare algoritmi di deep learning per la segmentazione del tessuto denso, un passo cruciale per migliorare la stima del rischio di cancro al seno.
• Scalabilità: La riduzione del tempo di annotazione rende possibile la creazione di dataset di grandi dimensioni, attualmente limitati dalla fatica manuale.
• Limitazioni: L'approccio è attualmente ottimizzato per immagini acquisite con sistemi Hologic (angolo di scansione stretto). Sono necessari studi futuri per valutare l'efficacia su immagini di altri produttori (es. GE, Siemens) con angoli di scansione più ampi. Inoltre, la precisione diminuisce nei seni con densità molto bassa a causa della difficoltà nel distinguere piccole strutture fibrose dal rumore di fondo.

In sintesi, il lavoro dimostra che è possibile generare maschere di ground truth volumetriche di alta qualità con un impegno umano minimo, accelerando lo sviluppo di strumenti di IA per la radiologia mammaria.