Cardiovascular disease classification using radiomics and geometric features from cardiac CT

Technische Samenvatting: Classificatie van Cardiovasculaire Aandoeningen met Radiomics en Geometrische Kenmerken uit Cardiale CT

Probleemstelling
Cardiovasculaire aandoeningen (CVA's) blijven een leidende oorzaak van wereldwijde sterfte, wat een vroege en nauwkeurige diagnose noodzakelijk maakt. Hoewel Computertomografie (CT) gedetailleerde anatomische en functionele gegevens levert, is handmatige interpretatie tijdrovend en vatbaar voor variabiliteit. Recente deep learning-benaderingen voor CVA-classificatie werken doorgaans direct op ruwe CT-afbeeldingen of maken gebruik van end-to-end classifiers gekoppeld aan segmentatiemaskers. De auteurs betogen dat deze methoden te kampen hebben met twee primaire beperkingen: een gebrek aan klinische interpreteerbaarheid en het niet vastleggen van geometrische informatie met betrekking tot de morfologie van anatomische structuren. Specifiek vertegenwoordigen standaard op segmentatie gebaseerde kenmerken de ruimtelijke vervormingen of afwijkingen van een gezonde toestand niet volledig, die mogelijk cruciale diagnostische informatie bevatten.

Methodologie
Het voorgestelde raamwerk splitst de CVA-classificatiepijplijn op in drie distincte, interpreteerbare fasen: (i) afbeeldingsegmentatie, (ii) afbeeldingregistratie naar een populatie-atlas, en (iii) downstream ziekteclassificatie.

1. Segmentatie en Atlasconstructie:
   De auteurs maken gebruik van het Atlas-ISTN-raamwerk, dat gezamenlijk segmentatie en registratie leert om een op de populatie gebaseerde anatomische atlas te construeren. Om de uitdaging van beperkte gelabelde data aan te pakken, integreert het raamwerk vooraf getrainde fundamentele modellen:

   • TotalSegmentator: Een vooraf getraind model dat in staat is tot het segmenteren van 117 anatomische structuren, hier gebruikt voor zeven belangrijke cardiale structuren (atria, ventrikels, myocardium, aorta, pulmonale stam) zonder fijnafstemming.
   • Anatomix: Een algemeen fundamenteel model gebaseerd op een 3D U-Net, vooraf getraind op synthetische data en voor deze specifieke taak fijnafgestemd op de MM-WHS-dataset.
   • Basislijn: Een 3D U-Net dat vanaf nul is getraind op dezelfde data voor vergelijking.

2. Kenmerkextractie:

   • Radiomische Kenmerken: Geëxtraheerd uit de segmentatiekaarten van de zeven cardiale structuren. Deze omvatten statistieken van de eerste orde (gemiddelde, variantie, entropie), 3D-vormbeschrijvers (volume, sfericiteit) en textuurmatrices (GLCM, GLRLM, GLSZM, NGTDM, GLDM).
   • Geometrische Kenmerken: Afgeleid uit de vervormingsvelden gegenereerd door individuele onderwerpafbeeldingen te vervormen naar de normatieve gezonde atlas. Deze voxel-voor-voxel verplaatsingsvectoren zijn hoogdimensionaal; daarom wordt Singuliere Waarde Decompositie (SVD) toegepast om de kenmerkruimte te reduceren en laagdimensionale, interpreteerbare vervormingskenmerken voor elke structuur te extraheren.

3. Classificatie:
   Een Multi-Layer Perceptron (MLP) dient als de downstream classifier. Om de bijdrage van verschillende kenmerktypen te evalueren, werden drie aparte modellen getraind: één dat uitsluitend radiomische kenmerken gebruikte, één dat uitsluitend geometrische kenmerken gebruikte, en één dat een combinatie van beide gebruikte. Als basislijn werd een 3D ResNet-50 direct getraind op ruwe CT-afbeeldingen.

Belangrijkste Resultaten
Experimenten werden uitgevoerd met de MM-WHS-dataset voor segmentatietraining en de publiek beschikbare ASOCA-dataset (20 gezonde, 20 zieke gevallen) voor ziekteclassificatie, geëvalueerd via 5-voudige kruisvalidatie.

• Segmentatieprestaties: Zowel TotalSegmentator als het fijnafgestemde Anatomix-model behaalden hoge Dice Similarity Coefficients (DSC) en lagere grensfouten (ASD, HD) in vergelijking met de 3D U-Net die vanaf nul was getraind. Anatomix produceerde de visueel meest consistente segmentaties, die nauw overeenkwamen met de grondwaarheid zonder de over-segmentatie-artefacten die bij TotalSegmentator werden waargenomen (specifiek met betrekking tot de descendente aorta).
• Classificatieprestaties:
  • Gecombineerde Kenmerken: De MLP die zowel radiomische als geometrische kenmerken gebruikte, behaalde de hoogste nauwkeurigheid van 87,50% (±10,21), met een recall van 90,00% en een F1-score van 88,01%.
  • Individuele Kenmerken: Het gebruik van uitsluitend radiomische kenmerken resulteerde in 82,50% nauwkeurigheid, terwijl alleen geometrische kenmerken 76,67% opleverden. Dit geeft aan dat de twee kenmerktypen complementaire diagnostische informatie bieden.
  • Basislijn: De ResNet-50 die direct op ruwe CT-afbeeldingen was getraind, behaalde een nauwkeurigheid van 67,50% en een recall van 60,00%, wat significant onderpresteerde ten opzichte van de op kenmerken gebaseerde aanpak.

Betekenis en Claims
Het artikel beweert dat het opdelen van de classificatiepijplijn in segmentatie, registratie en kenmerkextractie de klinische interpreteerbaarheid verbetert in vergelijking met end-to-end deep learning-modellen. De resultaten ondersteunen de hypothese dat geometrische kenmerken gerelateerd aan anatomische morfologie (specifiek vervormingsvelden ten opzichte van een gezonde atlas) diagnostische informatie bevatten die complementair is aan standaard radiomische kenmerken.

De auteurs stellen dat hun aanpak superieure classificatieprestaties bereikt (een verbetering van ongeveer 20% ten opzichte van de basislijn met ruwe afbeeldingen) zonder te vertrouwen op datasets met grote afbeeldingen of end-to-end training. Door gebruik te maken van vooraf getrainde fundamentele modellen, toont de methode effectiviteit in regimes met weinig data. Het werk concludeert dat interpreteerbare kenmerken afgeleid van anatomische structuren en vervormingsvelden meer discriminerend zijn voor CVA-classificatie dan kenmerken die direct worden geleerd van ruwe intensiteitsgegevens. Voor toekomstig werk wordt voorgesteld om deze bevindingen te valideren op grotere datasets en onzekerheidsschattingen in de pijplijn op te nemen om de klinische bruikbaarheid verder te verbeteren.