A Framework for Cross-Domain Generalization in Coronary Artery Calcium Scoring Across Gated and Non-Gated Computed Tomography

Deze studie introduceert CARD-ViT, een zelftoezichtend Vision Transformer-model dat, uitsluitend getraind op gerede CT-scans, nauwkeurige coronaire arterie-calcificatiescores genereert voor zowel gerede als niet-gerede CT-beelden, waardoor cardiovasculaire risicoschatting mogelijk wordt op routinematige borstscans zonder extra scans of annotaties.

De kern

Stel je voor dat je hart een oude, ingewikkelde stad is. De straten in deze stad zijn je kransslagaders. Soms beginnen er op deze straten "verkeersborden" te groeien: kalkafzettingen. Hoe meer borden er zijn, hoe groter het risico dat de stad (je hart) in de problemen komt door een hartaanval.

Artsen gebruiken een speciale foto (een CT-scan) om te tellen hoeveel kalk er zit. Dit heet een CAC-score. Maar hier zit een addertje onder het gras: om deze foto goed te maken, moet de patiënt een EKG-band om hebben die de scan precies op het juiste moment van de hartslag maakt. Dit is als het maken van een foto van een rennende hond: als je niet op het juiste moment knipt, wordt de foto wazig.

Het probleem:
Deze speciale "EKG-scan" wordt alleen gedaan als je naar de cardioloog gaat. Maar mensen krijgen veel vaker een gewone CT-scan van hun longen (bijvoorbeeld voor longkanker of longontsteking). Deze "gewone" scans worden gemaakt zonder die EKG-band. Ze zijn vaak waziger en sneller gemaakt.

Tot nu toe konden computers deze kalkafzettingen alleen goed tellen op de speciale, scherpe scans. De "gewone" scans werden genegeerd, waardoor we een enorme kans missen om hartproblemen vroeg te ontdekken bij mensen die al ergens in het ziekenhuis zijn.

De oplossing: CARD-ViT (De slimme fotograaf)
De auteurs van dit artikel hebben een nieuwe computerprogramma bedacht, genaamd CARD-ViT. Hier is hoe het werkt, vertaald in alledaagse termen:

1. De Leermeester (Zelflerend):
   Stel je voor dat je een kunstenaar wilt leren schilderen. Normaal geef je hem duizenden schilderijen met een lijstje: "Dit is een boom, dit is een auto". Maar in de medische wereld zijn die lijsten (labels) heel schaars.
   CARD-ViT leert op een slimme manier: zonder lijstjes. Het kijkt naar duizenden scherpe EKG-scans en leert zelf wat "hartkalk" eruit ziet, net zoals een kind leert wat een hond is door er veel van te zien, zonder dat iemand het woord "hond" hoeft te zeggen. Dit noemen ze zelftoezicht (self-supervised learning).

2. De Magische Bril (Cross-Domain Generalisatie):
   Het echte wonder is dit: het programma is alleen getraind op de scherpe, speciale scans. Maar toen ze het op de wazige, "gewone" scans lieten kijken, deed het het ook goed!

   • De analogie: Stel je voor dat je een chef-kok hebt die alleen heeft geoefend met verse, dure ingrediënten in een luxe keuken. Je zou denken dat hij faalt als je hem alleen maar bevroren, goedkope groenten geeft. Maar deze chef (CARD-ViT) heeft zo goed geleerd wat "groente" is, dat hij ook met de bevroren variant een heerlijke soep maakt. Hij herkent de smaak (de kalk) ongeacht hoe het eruitziet.

3. De Werkwijze:

   • Het programma kijkt naar de scan.
   • Het maakt een "aandachtskaart" (zoals een warmtebeeld) waar het kijkt.
   • Het telt de kalkvlekjes en geeft een score, net zoals een menselijke arts dat zou doen.
   • Het werkt zelfs als de scan niet perfect is (wazig door beweging).

Wat zeggen de resultaten?

• Op de scherpe scans doet het programma het bijna perfect (91% juist).
• Op de "gewone" scans doet het het net zo goed als de beste bestaande programma's die specifiek voor die "gewone" scans zijn getraind.
• Het is dus een veiligheidsnet: het kan hartproblemen opsporen bij mensen die eigenlijk voor iets anders in het ziekenhuis zaten, zonder dat ze een extra scan hoeven te maken.

Waarom is dit belangrijk?
Vroeger moesten we wachten tot iemand naar de cardioloog ging voor een dure, speciale scan. Nu kunnen we, met dit slimme programma, "op de vlucht" (opportunistic screening) hartproblemen opsporen bij mensen die al een CT-scan van hun longen hebben.

Het is alsof je een brandwacht bent die niet alleen kijkt naar de brand in de fabriek (de longen), maar ook ziet dat er een klein vlammetje in de buurt (het hart) begint te branden, en dat waarschuwt voordat het te laat is.

Kortom:
Dit onderzoek toont aan dat we met een slimme AI, getraind op de beste data, ook de "minder perfecte" data kunnen gebruiken om mensen te redden. Het maakt hartscreening goedkoper, sneller en beschikbaar voor veel meer mensen.

Technische samenvatting

Probleemstelling

Coronair Arterie Calcificatie (CAC) scoring is een cruciale predictor voor cardiovasculair risico, maar vereist traditioneel ECG-gated CT-scans. Deze scans zijn echter beperkt tot gespecialiseerde cardiale beeldvorming en worden minder vaak uitgevoerd dan niet-gated CT-scans (die ongeveer 10 keer vaker worden gedaan voor longonderzoek). Dit vertegenwoordigt een gemiste kans voor opportunistisch cardiovasculair screening.

Huidige geautomatiseerde methoden kampen met twee grote uitdagingen:

1. Domeinverschuiving (Domain Shift): Er is een significant verschil in beeldkwaliteit en bewegingsartefacten tussen gated en niet-gated scans.
2. Data-schaarste: Bestaande domeinadaptatiemethoden vereisen vaak gelabelde data uit beide domeinen (gated en niet-gated) tijdens het trainen. Groot, goed gecurateerde datasets met niet-gated CAC-labels zijn echter schaars, wat de generaliseerbaarheid van modellen beperkt.

Methodologie

De auteurs introduceren een end-to-end framework dat CAC-detectie, pixel-level segmentatie en lezienspecifieke Agatston-scoring mogelijk maakt, zonder gebruik te maken van niet-gated trainingsdata. De pijlers van de methode zijn:

1. CARD-ViT (Backbone):

• Architectuur: Een Vision Transformer (ViT) die is voorgeïmplementeerd met DINO (self-DIstillation with NO labels), een zelftoezichtende (self-supervised) leerstrategie.
• Training: Het model wordt uitsluitend getraind op gated CT-data (Heartlens dataset). Er wordt geen enkele niet-gated scan gebruikt voor supervisie.
• Aanpassingen: De standaard RGB-patch embedding is aangepast voor single-channel CT-data door de vooraf getrainde gewichten te middelen. Het model verwerkt slices van 512x512 pixels, verdeeld in 16x16 patches.
• Features: Het model gebruikt [CLS] tokens en vier "register tokens" (hulp-embeddings) om ruimtelijke aandachtspatronen te verfijnen. De uiteindelijke representatie combineert patch-embeddings, attentiekaarten en register-token features tot een uniek 784-kanaals feature-vectoren.

2. Segmentatie en Scoring:

• Decoder: Een aangepaste decoder verwerkt de 784-kanaals features via bilineaire interpolatie en convolutie om pixel-level maskers te genereren. Selectieve skip-connections herstellen fijne anatomische details.
• Output: In plaats van per slagader (LAD, RCA, etc.) aparte maskers te maken, genereert het model één binair masker voor alle verkalkte gebieden. Dit vermindert class-imbalance en verbetert de robuustheid.
• Scoring: Een lezienspecifieke aanpassing van de Agatston-methode wordt toegepast. Gecontinueerde componenten worden geanalyseerd om het fysieke oppervlak (mm²) te combineren met de maximale Hounsfield Unit (HU) intensiteit voor een gewogen score.

3. Klinische Implementatie:

• Het framework is gedeployd via MONAI Label en de OHIF Viewer, waarmee radiologen de segmentaties in real-time kunnen bekijken en valideren.

Belangrijkste Bijdragen

1. Cross-Domain Generalisatie zonder Supervisie: Het bewijs dat een model, uitsluitend getraind op gated data, effectief kan generaliseren naar niet-gated data zonder domeinadaptatiestappen of niet-gated trainingslabels.
2. CARD-ViT: Een nieuwe ViT-architectuur specifiek ontworpen voor medische CT-beelden met self-supervised learning, die robuuste anatomische features leert zonder handmatige annotaties.
3. Lezienspecifieke Agatston Scoring: Een implementatie die direct compatibel is met klinische standaarden en externe benchmarks (zoals AI-CAC), maar zonder de beperkingen van domein-specifieke training.
4. Openbare Validatie: Het framework is getest op externe datasets (Stanford) en geïntegreerd in een werkende klinische workflow.

Resultaten

De prestaties werden geëvalueerd op interne (Heartlens) en externe (Stanford) datasets, zowel voor gated als niet-gated scans.

• Gated Scans (Interne en Externe Test):

  • De model presteerde uitstekend met een nauwkeurigheid van 0,910 en een Cohen's κ van 0,871 (Heartlens) en 0,874 (Stanford).
  • De Dice-coëfficiënt voor segmentatie was 0,865 (intern) en 0,839 (extern), wat aantoont dat het model generaliseert naar verschillende scanners en protocollen zonder hertraining.

• Niet-Gated Scans (Cross-Domain Transfer):

  • Zonder enige niet-gated training bereikte CARD-ViT een nauwkeurigheid van 0,707 en een κ van 0,528 op de Stanford niet-gated dataset.
  • Vergelijking: Dit presteert gelijkwaardig aan AI-CAC (0,707 acc, κ 0,542), een model dat specifiek is getraind op niet-gated data.
  • Sterke Punten: CARD-ViT toonde een superieure sensitiviteit voor patiënten zonder verkalking (0–10 score), wat cruciaal is voor het uitsluiten van risico.
  • Beperkingen: Beide modellen hadden moeite met de intermediaire risicogroepen (11–400), vaak door bewegingsartefacten die de HU-waarden beïnvloeden.

• Ablatie Studie:

  • Verschillende DINOv2-backbones (Small, Base, Large, Giant) werden getest. De Base-configuratie leverde de beste balans tussen prestatie en generalisatie. Grotere modellen (Large/Giant) lieten tekenen van overfitting zien op de medische data.

Betekenis en Conclusie

Dit onderzoek toont aan dat self-supervised Vision Transformers, getraind op hoogwaardige gated data, robuuste anatomische representaties leren die overdraagbaar zijn naar niet-gated scans. Dit opent de deur voor opportunistisch cardiovasculair screening op routine borst-CT-scans zonder extra blootstelling aan straling of de noodzaak van gespecialiseerde gated scans.

Hoewel de prestaties op niet-gated scans lager zijn dan op gated scans (vooral in risicogroepen 11–400), is het framework geschikt als triage-instrument voor klinici, waarbij het model patiënten identificeert die verdere evaluatie nodig hebben. De methode lost het probleem van data-schaarste op voor niet-gated data en biedt een schaalbare, annotatie-efficiënte oplossing voor de toekomst van cardiovasculaire preventie.