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

Technische Samenvatting: Robuuste Automatische Segmentatie van Hersenvaten in 3D CTA-scans met behulp van Dynamische 4D-CTA-data

Probleemstelling
Intracraniële computertomografische angiografie (CTA) is een cruciaal diagnostisch instrument voor het detecteren van vasculaire abnormaliteiten. Hoewel dynamische 4D-CTA gedetailleerde temporele vasculaire informatie biedt, blijft het dominante klinische protocol enkelvoudige fase-CTA. Het robuust extraheren van de hersenvatstructuur uit enkelvoudige scans is uitdagend vanwege de aanwezigheid van achtergrondbot en zacht weefsel, evenals de moeilijkheid om arteriën van venen te onderscheiden zonder uitgebreide nabewerking. Bovendien kampen bestaande deep learning-benaderingen voor vaatsegmentatie met aanzienlijke beperkingen:

• Datatekort: Hoogwaardige, fijnmazig geannoteerde datasets zijn zeldzaam. Bestaande datasets zoals TopCoW richten zich primair op de Circulus Arteriosus Willisii (CoW) arteriën, waarbij bredere vasculaire regio's die relevant zijn voor het beheer van cerebrovasculaire ziekten worden genegeerd.
• Annotatiebelasting: Handmatige annotatie van CTA-beelden vereist gespecialiseerde anatomische kennis en is arbeidsintensief, met name voor het scheiden van arteriën en venen.
• Generalisatie: Modellen getraind op beperkte modaliteiten of enkelvoudige contrastfasen falen vaak bij het generaliseren naar verschillende contrastfasen of het nauwkeurig vastleggen van zowel arteriële als veneuze structuren.

Methodologie
De auteurs stellen een innovatieve pipeline voor, DynaVessel, die dynamische 4D-CTA-data gebruikt om een robuuste trainingsdataset te creëren en de segmentatieprestaties te verbeteren. De methodologie bestaat uit drie hoofdfasen:

1. Data-acquisitie en Pre-processing:

   • Dynamische CTA: Scans worden verkregen met een 32-detectorrijen CT-scanner, waarbij beelden worden vastgelegd op 19 tijdstippen gedurende 60 seconden na de contrastinjectie.
   • Bot-/Zacht Weefsel-subtractie: De scanner maakt gebruik van een baseline-afbeelding (verkregen voordat het contrast de hersenen bereikt) om bot en zacht weefsel van de daaropvolgende beelden af te trekken, wat de visualisatie van vaten verbetert.
   • Vaatscheiding: Een aangepast algoritme (Algoritme 1) brengt de arteriële en veneuze fase-afbeeldingen in lijn met behulp van rigide transformaties. Het onderdrukt vervolgens de veneuze structuren in de arteriële fase en de arteriële structuren in de veneuze fase door de voxel-intensiteiten tussen de twee fasen te vergelijken. Dit resulteert in twee onderscheidende volumes per patiënt: een bot- en vene-onderdrukte arteriële volume ($S^*_a$) en een bot- en arterie-onderdrukte veneuze volume ($S^*_v$).
   • ROI-extractie: Een binaire masker van de schedel en de nek wordt toegepast om extracraniële weefsels te onderdrukken, en de beelden worden gehersampled naar een isotrope resolutie van 0,468 mm.

2. Ground Truth (GT) Annotatie:

   • De gescheiden vaatvolumes worden verwerkt met de iCafe feature extractie-pipeline. Dit omvat intensiteitsnormalisatie, drempelwaarde-instelling (Phansalkar voor tracking, Renyi entropie voor visualisatie) en een open-curve active contour model om vaatachtige structuren te traceren.
   • Handmatige Validatie: Een neuroradioloog valideert de getraceerde lijnen handmatig, waarbij spoorstructuren buiten de schedel worden verwijderd en anatomische variaties worden gecorrigeerd. Voor venen worden distale vertakkingen handmatig verfijnd om de nauwkeurigheid te waarborgen.
   • Dataset Constructie: De uiteindelijke dataset, DynaVessel, bestaat uit 275 hoofd-CTA-scans van 43 patiënten. De trainingsset bevat 110 afbeeldingen van 29 patiënten, terwijl de testset 165 afbeeldingen van 14 patiënten bevat. Cruciaal is dat de trainingsdata meerdere contrastfasen koppelt (3–19 volumes per patiënt) aan één enkele set GT-annotaties, waardoor de dataset effectief 4 tot -5 keer wordt vergroot en de robuustheid tegen contrastvariabiliteit wordt geïnduceerd.

3. Modeltraining en Evaluatie:

   • Architectuur: Een nnUNet (Residual Encoder UNet) model wordt getraind op de DynaVessel-dataset.
   • Evaluatiemetrieken: Prestaties worden beoordeeld met de Modified Dice Coefficient (mDC), Average Directed Hausdorff Distance (adHD) en Topology Sensitivity (tSens). Evaluatie vindt plaats op binaire vaatsegmentatie, arterie-versus-vene segmentatie en semantische segmentatie over 20 specifieke arteriële en 6 veneuze anatomische regio's.
   • Baselines: Het voorgestelde model ($M_{DV}$) wordt vergeleken met modellen getraind op TopCoW, VesselVerse en het fundatiemodel VesselFM.

Kernbijdragen

1. Annotatie-pipeline: De auteurs documenteren een pipeline voor het annoteren van arteriën en venen in hoofd-CTA-scans met behulp van dynamische 4D-CTA-data, wat de annotatietijd aanzienlijk vermindert door gebruik te maken van subtractie en geautomatiseerd traceren.
2. DynaVessel Dataset: De presentatie van de DynaVessel dataset, die 275 scans bevat met fijnmazige arterie- en vene-annotaties, die een breed scala aan contrastfasen en anatomische regio's beslaat (inclusclusief distale arteriën en veneuze sinussen).
3. Prestatiebenchmarking: De evaluatie van een model getraind op DynaVessel tegen state-of-the-art baselines, wat een superieure segmentatieprestatie aantoont voor zowel arteriën als venen.

Resultaten
Het op DynaVessel getrainde model ($M_{DV}$) behaalde aanzienlijk betere prestaties dan modellen getraind op TopCoW, VesselVerse of VesselFM over alle vasculaire regio's en datasets:

• TopBrain Dataset: $M_{DV}$ behaalde een gemiddelde mDC van 0,846 voor arteriën en 0,957 voor venen. Ter vergelijking: de beste baseline (VesselVerse) behaalde 0,455 (arteriën) en 0,031 (venen).
• Foutmarges: Het model vertoonde lage foutmarges met een adHD van 0,304 mm voor arteriën en 0,078 mm voor venen, en een hoge topologiegevoeligheid (tSens) van 0,877 (arteriën) en 0,974 (venen).
• Robuustheid: Hoewel de prestaties natuurlijk varieerden per contrastfase (bijv. lagere prestaties in pre-contrast fasen), verbeterde training op multi-fase data de generalisatie aanzienlijk vergeleken met modellen getraind op enkelvoudige piekfasen. Ablatie-studies bevestigden dat training op een enkele fase de capaciteit van het model om te generaliseren naar ongeziene fasen ernstig verminderde.
• Kwalitatieve Analyse: Visualisaties toonden aan dat $M_{DV}$ een bijna volledige dekking van arteriële en veneuze structuren bereikte met zeer weinig fout-negatieven, terwijl baseline-modellen de meeste venen niet detecteerden of talrijke spoorsegmentaties produceerden.

Betekenis
Het artikel stelt dat dit werk een belangrijke stap vormt naar de automatische segmentatie van alle hersenvasculaire structuren in CTA-scans. Door dynamische 4D-CTA-data te gebruiken, overwinnen de auteurs de langdurige moeilijkheden bij het onderscheiden van intracraniële arteriën en venen en het verminderen van de arbeidsintensieve aard van annotatie. De resulterende dataset en het model bieden brede toepasbaarheid als primaire of ondersteunende input voor de beoordeling van cerebrovasculaire pathologieën, zoals lokalisatie van occlusies en aneurysma-detectie. De auteurs merken op dat hoewel de huidige fijnmazige semantische evaluatie dient als een upper-bound benadering, de methodologie een fundament biedt voor toekomstig werk om annotaties uit te breiden en architecturen te ontwikkelen voor complexe semantische segmentatietaken.