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

Sintesi Tecnica: Verso la Segmentazione Automatizzata dei Grassi Epicardici e Mediastinici

Enunciato del Problema
La quantificazione dei tessuti adiposi cardiaci, in particolare i grassi epicardici e mediastinici, è clinicamente significativa poiché tali tessuti correlano con vari fattori di rischio cardiovascolare, inclusa la calcificazione delle arterie coronariche, la fibrillazione atriale e la rigidità carotidea. A differenza del grasso corporeo generale, il grasso cardiaco varia indipendentemente dall'adiposità complessiva del soggetto, rendendo necessaria un'analisi quantitativa specifica. Sebbene la Tomografia Computerizzata (TC) offra una risoluzione spaziale superiore per questo compito rispetto alla Risonanza Magnetica (MRI) o all'Eco cardiografia, la segmentazione manuale è altamente soggetta a variabilità inter- e intra-osservatore. I metodi esistenti automatizzati o semi-automatizzati soffrono spesso di bassi tassi di successo, richiedono un intervento significativo dell'utente (ad esempio, il posizionamento di punti di controllo) o mancano di robustezza tra diversi produttori di TC. Questo lavoro affronta la necessità di un metodo completamente automatico e riproducibile per segmentare sia i grassi epicardici che quelli mediastinici da scansioni TC standard per la valutazione del calcio coronarico, con un intervento utente minimo.

Metodologia
L'approccio proposto consiste in due fasi principali: registrazione intersoggetta delle immagini e segmentazione basata sulla classificazione.

1. Registrazione Intersoggetta:
   Per standardizzare il posizionamento dei cuori tra diversi pazienti e produttori (Siemens e Philips) senza il posizionamento manuale di punti di riferimento, gli autori hanno sviluppato un metodo di registrazione autonomo.

   • Costruzione dell'Atlante: È stato creato un atlante dell'area retrosternale (la regione dietro lo sterno) mediando 10 slice retrosternali allineate manualmente da pazienti distinti, limitate all'intervallo di intensità del grasso (0 HU e superiori).
   • Riconoscimento: Il sistema identifica l'area retrosternale nelle nuove slice del paziente scorrendo l'atlante e calcolando un punteggio di similarità utilizzando l'Informazione Mutua Ponderata (WMI).
   • Conferma Euristica: Per migliorare il tasso di riconoscimento iniziale del 70% della WMI, è stato introdotto un metodo di conferma euristica. Questo metodo verifica la posizione controllando la continuità dei depositi di grasso. Definisce un'area rettangolare centrale e traccia due punti ($p_l$ e $p_r$) nelle direzioni in basso a sinistra e in basso a destra. La posizione è validata se la risultante linea di "legame" soddisfa criteri specifici di larghezza, spostamento e distanza rispetto alla larghezza dell'immagine. Questa combinazione ha portato il tasso di successo del riconoscimento al 100%.
   • Trasformazione: Una volta identificato il centro retrosternale, viene applicata una trasformazione affine per tradurre tutte le slice del paziente in un punto centralizzato comune, normalizzando la posizione del cuore.

2. Segmentazione Basata sulla Classificazione:
   A seguito della registrazione, la segmentazione viene eseguita utilizzando un approccio di apprendimento automatico supervisionato (classificazione dei pixel).

   • Verità di Base (Ground Truth): Due specialisti (un fisico e un informatico) hanno segmentato manualmente i grassi epicardici e mediastinici in 20 pazienti (1000 slice) per creare un dataset di verità di base.
   • Estrazione delle Caratteristiche: Per ogni pixel è stato costruito un vettore di caratteristiche includente:
     • Livello di grigio del pixel.
     • Coordinate spaziali assolute e relative (rispetto al centro di gravità) ($x, y, z$).
     • Caratteristiche basate sulla texture derivate da una finestra circostante (ad esempio, 25x25 pixel), incluse la media aritmetica, i momenti della matrice di co-occorrenza, i momenti geometrici, la percentuale di corsa, la non uniformità del livello di grigio e un Coefficiente di Variazione Liscia (CSV).
   • Selezione dell'Algoritmo: Sono stati valutati vari classificatori dalla libreria Weka. Sebbene J48Graft mostrasse un'alta accuratezza, l'algoritmo Random Forest è stato selezionato come il miglior compromesso tra accuratezza e sparsità della segmentazione.

Contributi Chiave

• Flusso di Lavoro Completamente Automatico: Il metodo elimina la necessità di punti di controllo manuali o posizionamento di punti di riferimento, un collo di bottiglia comune negli approcci semi-automatizzati precedenti.
• Robustezza Multi-Produttore: L'approccio è stato validato su dati TC provenienti da due diversi produttori (Siemens e Philips), dimostrando adattabilità a protocolli di acquisizione variabili.
• Segmentazione di Due Tessuti: A differenza di molti lavori precedenti focalizzati esclusivamente sul grasso epicardico, questo metodo segmenta simultaneamente sia i grassi epicardici che quelli mediastinici, distinguendoli in base al confine del pericardio.
• Verità di Base Pubblica: Gli autori forniscono un dataset pubblicamente disponibile di immagini TC cardiache segmentate manualmente e i corrispondenti dati di caratteristiche, affrontando la mancanza di benchmark standardizzati nel settore.

Risultati
Il metodo è stato valutato utilizzando un dataset di circa 3 GB derivato da 20 pazienti. Le prestazioni sono state valutate utilizzando modalità di test con divisione al 66% e validazione incrociata a 10 fold.

• Accuratezza: L'accuratezza media per la segmentazione sia del grasso epicardico che di quello mediastinico è stata del 98,4%.
• Tasso di Veri Positivi: Il tasso medio di veri positivi è stato del 96,2%.
• Indice di Similarità Dice: L'indice medio di similarità Dice è stato del 96,8%.
• Confronto: Rispetto alla letteratura esistente (ad esempio, Shahzad et al. con un Dice dell'89,15%, Ding et al. con un Dice del 93,0%), questo lavoro ha raggiunto un punteggio Dice più alto (97,9% per il grasso epicardico nella divisione al 66%) e un tasso di successo della segmentazione automatica del 100% (82 su 82 istanze), mentre altri metodi completamente automatici riportavano tassi di successo inferiori o non fornivano questa metrica.

Significato e Limitazioni
Il documento afferma che l'integrazione della registrazione intersoggetta con la classificazione Random Forest offre una soluzione robusta per la quantificazione automatizzata dei grassi cardiaci, potenzialmente migliorando il valore prognostico degli studi TC cardiaci e riducendo la variabilità dell'osservatore. Gli autori notano che l'algoritmo Random Forest ha superato le reti neurali e altri classificatori basati su funzioni nella loro analisi.

Tuttavia, gli autori riconoscono modestamente una limitazione significativa: il tempo di elaborazione. Su un computer personale standard (dual-core, 4 GB di RAM), l'algoritmo richiede attualmente diverse ore per segmentare completamente un singolo paziente a causa dell'estesa estrazione delle caratteristiche e delle dimensioni del dataset. Gli autori suggeriscono che il lavoro futuro dovrebbe concentrarsi su una valutazione estesa delle caratteristiche per selezionare solo gli attributi più importanti, il che ridurrebbe le dimensioni del dataset e accelererebbe la fase di classificazione.