Sintesi Tecnica: Forma sopra l'Intensità – Codifica Topologica Direzionale per la Riduzione dei Falsi Positivi nel Rilevamento degli Aneurismi Intracranici

1. Definizione del Problema

Il rilevamento automatizzato degli aneurismi intracranici (IA) tramite angio-TC (CTA) è attualmente ostacolato da tassi di falsi positivi (FP) proibitivi. Mentre i modelli di deep learning, in particolare le Reti Neurali Convoluzionali (CNN), raggiungono un'elevata sensibilità per le lesioni di grandi dimensioni, essi faticano significativamente con gli aneurismi piccoli e clinicamente critici (<3 mm), dove la sensibilità scende spesso sotto il 60%.

Il nucleo del fallimento identificato è l'ambiguità geometrica. Le CNN standard si affidano pesantemente alle intensità locali dei pixel e alle statistiche di texture. Nei volumi CTA, i veri aneurismi saccolari e le biforcazioni vascolari sane esibiscono distribuzioni di intensità locale quasi identiche. Di conseguenza, le CNN confondono sistematicamente queste strutture, trattando intersezioni di ramificazione complesse come sacche rigonfie. Questa limitazione è esacerbata dalla risoluzione spaziale inferiore e dal basso contrasto vaso-sfondo tipico della CTA rispetto al gold-standard dell'Angiografia Digitale a Sottrazione (DSA). Le soluzioni esistenti mancano spesso di validazione esterna, dati multi-istituzionali e metriche stratificate per dimensione, portando a prestazioni fragili nella distribuzione clinica.

2. Metodologia

Gli autori propongono un framework di riduzione dei falsi positivi plug-and-play, consapevole della topologia. Piuttosto che sostituire gli esistenti generatori di candidati basati su CNN ad alta sensibilità, questo modulo agisce come un filtro a valle progettato per discriminare i veri aneurismi dai mimi anatomicamente plausibili basandosi su invarianti strutturali globali anziché sull'intensità locale.

2.1. Dati e Pre-elaborazione

• Dataset: Gli esperimenti utilizzano un sottoinsieme curato e pesantemente stratificato del dataset della RSNA 2025 Intracranial Aneurysm Detection Challenge.
• Coorte: Lo studio si concentra su volumi CTA, comprendenti circa 1.808 scansioni. Il set di valutazione finale include 1.201 patch positive per aneurisma e una classe negativa stratificata:
  • Hard Negatives: 3.576 biforcazioni vascolari estratte tramite algoritmo di Frangi (mimi anatomicamente plausibili).
  • Random Hard Negatives: 1.787 strutture vascolari ad alta intensità distanti dalle lesioni.
  • Easy Negatives: 1.787 campioni di tessuto di sfondo.
• Estrazione Patch: Una strategia di Campionamento di Estrazione Consapevole della Topologia (TAXS) estrae patch di 64×64×64 voxel. Le patch positive sono ancorate ai centroidi annotati dagli esperti (raggio di 15 mm), mentre le negative sono campionate per emulare la distribuzione di FP dei generatori ad alta sensibilità.

2.2. Estrazione delle Caratteristiche Topologiche

Il framework valuta tre metodi di vettorizzazione derivati dalla Omologia Persistente (PH) per convertire campi scalari 3D in vettori compatibili con il machine learning:

1. Persistence Images (PI): Proietta i diagrammi di persistenza in griglie euclidee utilizzando kernel gaussiani.
2. Persistence Landscapes (PL): Mappa i diagrammi in rappresentazioni funzionali in spazi di Banach.
3. Smooth Euler Characteristic Transform (SECT): Il metodo principale proposto.

L'approccio SECT:
A differenza di PI e PL, che sono privi di direzione, SECT è una rappresentazione topologica direzionale. Cattura la configurazione spaziale asimmetrica degli aneurismi rispetto ai vasi padri.

• Meccanismo: Calcola le curve della Caratteristica di Eulero (EC) effettuando una scansione (sweep) della maschera del primo piano vascolare lungo direzioni uniformemente campionate su una sfera.
• Smoothing: Le curve EC grezze (piecewise constant) vengono smussate e integrate per produrre curve Smooth Euler Characteristic (SEC) continue e piecewise-linear.
• Filtraggio: Il metodo utilizza una filtrazione super-livello sul campo di intensità normalizzato, isolando specificamente il secondo gruppo di omologia (H2). In questo contesto, le caratteristiche H2 codificano la topologia del gradiente di intensità 3D, agendo come firme morfologiche di convessità localizzata (distinguendo cupole saccali da rami tubulari).
• Parametri: La rappresentazione finale utilizza 128 direzioni, 25 step di filtrazione e normalizzazione $L_2$.

3. Contributi Chiave

1. Codifica Topologica Direzionale: Il documento introduce l'applicazione di SECT all'imaging cerebrovascolare, dimostrando che la codifica della struttura geometrica direzionale è superiore alle sintesi prive di direzione per distinguere gli aneurismi dalle biforcazioni.
2. Riduzione FP Plug-and-Play: Il framework è progettato come un filtro modulare per le pipeline CNN esistenti, affrontando il fallimento specifico della confusione tra geometria saccolare e strutture di ramificazione senza richiedere il riaddestramento completo delle reti di rilevamento.
3. Robustezza alla Varianza dello Scanner: Lo studio testa rigorosamente il metodo attraverso quattro diversi produttori di scanner (Siemens, GE, Toshiba/Canon, Philips), provando che le invarianti topologiche sono più resilienti agli artefatti specifici dell'hardware rispetto ai profili di intensità.
4. Focus sulle Piccole Lesioni: La valutazione mira esplicitamente alla coorte <3 mm, il sottoinsieme più impegnativo e clinicamente critico dove la sensibilità standard crolla drasticamente.

4. Risultati Sperimentali

4.1. Prestazioni di Classificazione

Utilizzando la validazione incrociata a 5 fold sia con Random Forest (RF) che con classificatori Linear Support Vector (L1-SVC) regolarizzati L1:

• SECT: Ha raggiunto un AUC di 0.943 (RF) e 0.931 (L1-SVC).
• Baseline (PI/PL): Hanno ottenuto prestazioni moderate con AUC raggruppate intorno a 0.68.
• Conclusione: Il guadagno di prestazioni è guidato dalla rappresentazione, non dal classificatore. SECT supera costantemente i metodi basati sulla persistenza, in particolare nella regione operativa ad alta sensibilità.

4.2. Prestazioni Stratificate per Dimensione

SECT ha dimostrato una capacità eccezionale sui casi più difficili:

• Piccoli Aneurismi (<3 mm): Ha mantenuto un AUC di 0.943 con una sensibilità del 78.5% sotto un vincolo rigoroso di specificità del 95%. Ciò contrasta nettamente con il crollo della sensibilità (<60%) tipico delle CNN basate sull'intensità per queste dimensioni.
• Aneurismi Medi/Grandi: Le prestazioni sono state leggermente inferiori (AUC ~0.86–0.91), attribuito allo sbilanciamento delle classi nel dataset e alla potenziale troncamento delle lesioni grandi dovuto al raggio fisso della patch di 15 mm.

4.3. Robustezza Inter-Scanner

Sotto validazione Leave-One-Scanner-Out (LOGO):

• SECT ha mantenuto un'alta generalizzazione tra tutti i produttori, con un AUC medio di 0.927.
• In alcuni casi (ad esempio, set tenuti fuori per GE e Philips), le prestazioni LOGO hanno eguagliato o superato le baseline intra-scanner, confermando che il confine decisionale topologico si trasferisce efficacemente tra i domini di acquisizione.

4.4. Distribuzioni Miste di Negativi

Quando testato su una miscela clinicamente realistica di negativi (biforcazioni Frangi, strutture vascolari dure e facile sfondo):

• SECT ha mantenuto una discriminazione robusta (AUC 0.922).
• Analisi dei Falsi Positivi: Il metodo ha quasi perfettamente rigettato le strutture vascolari dure (FPR = 0.003) e le biforcazioni Frangi (FPR = 0.024). Tuttavia, ha mostrato un FPR più elevato (0.122) su tessuti di sfondo non vascolari "facili", probabilmente a causa di sezioni trasversali di tessuti a cupola incidentali.

5. Significato e Rivendicazioni

Il documento sostiene che il principale confonditore strutturale nel rilevamento degli IA è l'ambiguità geometrica tra aneurismi e biforcazioni, che i modelli basati sull'intensità non possono risolvere. Spostando il focus dall' "intensità" alla "forma", gli autori affermano che:

• Risoluzione dell'Ambiguità Geometrica: Le rappresentazioni topologiche direzionali (SECT) risolvono in modo affidabile la confusione tra protrusioni saccolari e ramificazioni simmetriche, un compito in cui le CNN standard falliscono.
• Viabilità Clinica per Piccole Lesioni: Il framework offre una via per migliorare il rilevamento per le lesioni sub-3 mm, un bisogno insoddisfatto critico nell'attuale screening automatizzato.
• Agnosticismo rispetto allo Scanner: Basandosi su invarianti strutturali piuttosto che sui valori grezzi dei pixel, il metodo riduce la dipendenza dalla calibrazione specifica dello scanner, migliorando la generalizzabilità tra diversi sistemi ospedalieri.
• Potenziale di Integrazione: SECT è presentato come un filtro a valle robusto, pronto per essere integrato in pipeline diagnostiche di deep learning ibride per ridurre il carico di FP che attualmente ne impedisce l'adozione clinica.

Gli autori riconoscono i limiti, inclusivo l'attuale tempo di inferenza (~11 secondi per patch), che richiede ottimizzazione per il dispiegamento in tempo reale, e il fatto che la valutazione è attualmente a livello di patch piuttosto che su una pipeline end-to-end completa. Tuttavia, il lavoro stabilisce SECT come uno strumento altamente efficace per risolvere i confonditori geometrici specifici che affliggono il rilevamento automatico degli aneurismi, superando così i metodi tradizionali basati sulla persistenza, in particolare per lesioni piccole inferiori a 3 mm e tra diversi produttori di scanner.