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

Technische Samenvatting: Naar Geautomatiseerde Segmentatie van Epicardiaal en Mediastinaal Vet

Probleemstelling
De kwantificering van cardiale adiposusweefsels, specifiek epicardiaal en mediastinaal vet, is klinisch significant aangezien deze weefsels correleren met diverse cardiovasculaire risicofactoren, waaronder coronaire arteriecalcificatie, atriumfibrilleren en carotisstijfheid. In tegenstelling tot algemeen lichaamsvet varieert cardiaal vet onafhankelijk van de algehele adipositeit van een onderwerp, wat specifieke kwantitatieve analyse vereist. Hoewel Computertomografie (CT) voor deze taak een superieure ruimtelijke resolutie biedt in vergelijking met MRI of Echocardiografie, is handmatige segmentatie zeer gevoelig voor inter- en intra-observer variabiliteit. Bestaande geautomatiseerde of semi-geautomatiseerde methoden lijden vaak onder lage succespercentages, vereisen aanzienlijke gebruikersinterventie (bijvoorbeeld het plaatsen van controlepunten) of missen robuustheid over verschillende CT-fabrikanten heen. Dit werk adresseert de behoefte aan een volledig automatische, reproduceerbare methode om zowel epicardiaal als mediastinaal vet te segmenteren uit standaard CT-scans voor coronaire calciumscore met minimale gebruikersinterventie.

Methodologie
De voorgestelde aanpak bestaat uit twee hoofdfasen: intersubject beeldregistratie en op classificatie gebaseerde segmentatie.

1. Intersubject Registratie:
   Om de positionering van harten over verschillende patiënten en fabrikanten (Siemens en Philips) te standaardiseren zonder handmatige landmark-plaatsing, ontwikkelden de auteurs een autonome registratiemethode.

   • Atlasconstructie: Een atlas van het retrosternale gebied (het gebied achter het borstbeen) werd gecreëerd door het middelen van 10 handmatig uitgelijnde retrosternale slices van verschillende patiënten, beperkt tot het vetintensiteitsbereik (0 HU en hoger).
   • Herkenning: Het systeem identificeert het retrosternale gebied in nieuwe patiënt-slices door de atlas te verschuiven en een vergelijkbaarheidsscore te berekenen met behulp van Gewogen Mutuele Informatie (WMI).
   • Heuristische Bevestiging: Om het initiële herkenningpercentage van 70% van WMI te verbeteren, werd een heuristische bevestigingsmethode geïntroduceerd. Deze methode verifieert de positie door de continuïteit van vetdepots te controleren. Het definieert een centraal rechthoekig gebied en traceert twee punten ($p_l$ en $p_r$) in de linkeronder- en rechteronder-richting. De positie wordt gevalideerd als de resulterende "bindende" lijn voldoet aan specifieke breedte-, verplaatsings- en afstandscriteria ten opzichte van de beeldbreedte. Deze combinatie verhoogde het herkenningsuccespercentage tot 100%.
   • Transformatie: Zodra het retrosternale centrum is geïdentificeerd, wordt een affiene transformatie toegepast om alle slices van de patiënt te vertalen naar een gemeenschappelijk centraal punt, waardoor de hartpositie genormaliseerd wordt.

2. Op Classificatie Gebaseerde Segmentatie:
   Na registratie wordt de segmentatie uitgevoerd met behulp van een supervised machine learning-aanpak (pixelclassificatie).

   • Ground Truth: Twee specialisten (een fysicus en een informaticus) hebben handmatig epicardiaal en mediastinaal vet gesegmenteerd in 20 patiënten (1000 slices) om een ground truth-dataset te creëren.
   • Feature-extractie: Voor elke pixel werd een feature-vector geconstrueerd, bestaande uit:
     • Pixelgrijswaarde.
     • Absolute en relatieve (ten opzichte van het zwaartepunt) ruimtelijke coördinaten ($x, y, z$).
     • Op textuur gebaseerde features afgeleid van een omringend venster (bijvoorbeeld 25x25 pixels), waaronder arithmetisch gemiddelde, momenten van de co-occurrence-matrix, geometrische momenten, run-percentage, grijswaarde-niet-uniformiteit en een Coëfficiënt van Gladde Variatie (CSV).
   • Algoritme-selectie: Verschillende classificeerders uit de Weka-bibliotheek werden geëvalueerd. Hoewel J48Graft een hoge nauwkeurigheid vertoonde, werd het Random Forest-algoritme geselecteerd als de optimale balans tussen nauwkeurigheid en segmentatiesparsity.

Belangrijkste Bijdragen

• Volledig Automatische Workflow: De methode elimineert de behoefte aan handmatige controlepunten of landmark-plaatsing, een veelvoorkomende bottleneck in eerdere semi-geautomatiseerde benaderingen.
• Robuustheid voor Meerdere Fabrikanten: De aanpak werd gevalideerd op CT-data van twee verschillende fabrikanten (Siemens en Philips), wat aanpassingsvermogen aan variërende acquisitieprotocollen aantoont.
• Segmentatie van Twee Weefsels: In tegenstelling tot veel eerdere werken die zich uitsluitend richten op epicardiaal vet, segmenteert deze methode gelijktijdig zowel epicardiaal als mediastinaal vet, waarbij ze worden onderscheiden op basis van de pericardiumgrens.
• Publieke Ground Truth: De auteurs bieden een publiek beschikbaar dataset van handmatig gesegmenteerde cardiale CT-afbeeldingen en de bijbehorende feature-data, wat een gebrek aan gestandaardiseerde benchmarks in het veld adresseert.

Resultaten
De methode werd geëvalueerd met behulp van een dataset van ongeveer 3 GB afkomstig van 20 patiënten. De prestaties werden beoordeeld met behulp van 66%-split en 10-voudige cross-validatie testmodi.

• Nauwkeurigheid: De gemiddelde nauwkeurigheid voor zowel epicardiaal als mediastinaal vetsegmentatie was 98,4%.
• True Positive Rate: De gemiddelde true positive rate was 96,2%.
• Dice Similariteitsindex: De gemiddelde Dice similarity index was 96,8%.
• Vergelijking: In vergelijking met bestaande literatuur (bijvoorbeeld Shahzad et al. met 89,15% Dice, Ding et al. met 93,0% Dice), bereikte dit werk een hogere Dice-score (97,9% voor epicardiaal vet bij de 66%-split) en een 100% succesvol geautomatiseerd segmentatiepercentage (82/82 gevallen), terwijl andere volledig automatische methoden lagere succespercentages rapporteerden of deze metric niet verstrekte.

Betekenis en Beperkingen
Het artikel beweert dat de integratie van intersubject registratie met Random Forest-classificatie een robuuste oplossing biedt voor de geautomatiseerde kwantificering van cardiale vetten, wat het prognostische waarde van cardiale CT-trials kan verbeteren en observervariabiliteit kan verminderen. De auteurs merken op dat het Random Forest-algoritme in hun analyse neural networks en andere op functie gebaseerde classificeerders overtrof.

Echter, de auteurs erkennen bescheiden een aanzienlijke beperking: verwerkingstijd. Op een standaard personal computer (dual-core, 4GB RAM) duurt het algoritme momenteel enkele uren om een enkele patiënt volledig te segmenteren vanwege de uitgebreide feature-extractie en de grootte van de dataset. De auteurs suggereren dat toekomstig werk zich moet richten op uitgebreide feature-evaluatie om alleen de belangrijkste attributen te selecteren, wat de datasetgrootte zou verkleinen en de classificatiestap zou versnellen.