Technisch Samenvatting: Vorm boven Intensiteit – Directionele Topologische Codering voor de Reductie van Vals-Positieven bij de Detectie van Intracraniële Aneurysma's

1. Probleemstelling

De geautomatiseerde detectie van intracraniële aneurysma's (IA) via CT-angiografie (CTA) wordt momenteel gehinderd door onaanvaardbaar hoge percentages vals-positieven (FP). Hoewel deep learning-modellen, met name Convolutionele Neurale Netwerken (CNN's), een hoge sensitiviteit bereiken voor grote laesies, hebben ze aanzienlijke moeite met kleine, klinisch kritische aneurysma's (<3 mm), waarbij de sensitiviteit vaak onder de 60% zakt.

De kern van de falende modus die is geïdentificeerd, is geometrische ambiguïteit. Standaard CNN's vertrouwen zwaar op lokale pixelintensiteiten en textuurstatistieken. In CTA-volumes vertonen ware sacculaire aneurysma's en gezonde vasculaire bifurcaties vrijwel identieke lokale intensiteitsverdelingen. Bijgevolg verwarren CNN's deze structuren systematisch, waarbij ze complexe vertakkingsintersecties behandelen als uitbulende zakken. Deze beperking wordt verergerd door de lagere ruimtelijke resolutie en de lage verhouding tussen vat- en achtergrondcontrast die inherent is aan CTA vergeleken met de gouden standaard van Digitale Subtractie Angiografie (DSA). Bestaande oplossingen missen vaak externe validatie, multi-institutionele data en grootte-gestratificeerde metrieken, wat leidt tot breekbare prestaties bij klinische implementatie.

2. Methodologie

De auteurs stellen een plug-and-play, topologie-bewust framework voor de reductie van vals-positieven voor. In plaats van bestaande hoog-sensitieve CNN-kandidaatgeneratoren te vervangen, fungeert deze module als een downstream filter dat ontworpen is om ware aneurysma's te onderscheiden van anatomisch plausibele mimics op basis van globale structurele invarianten in plaats van lokale intensiteit.

2.1. Data en Preprocessing

• Dataset: Experimenten maken gebruik van een gecureerde, zwaar gestratificeerde subset van de multi-institutionele RSNA 2025 Intracranial Aneurysm Detection Challenge dataset.
• Cohort: De studie richt zich op CTA-volumes, bestaande uit ~1.808 scans. De uiteindelijke evaluatieset bevat 1.201 aneurysma-positieve patches en een gestratificeerde negatieve klasse:
  • Hard Negatives: 3.576 Frangi-gemine bifurcaties van vaten (anatomisch plausibele mimics).
  • Random Hard Negatives: 1.787 hoog-intensieve vasculaire structuren die ver verwijderd zijn van laesies.
  • Easy Negatives: 1.787 achtergrondweefselmonsters.
• Patch Extractie: Een Topology-Aware Extraction Sampling (TAXS) strategie extraheert 64×64×64 voxel patches. Positieve patches zijn verankerd aan expert-geannoteerde centroiden (15 mm radius), terwijl negatieve patches worden gesampled om de FP-distributie van hoog-sensitieve generatoren te emuleren.

2.2. Topologische Kenmerkextractie

Het framework evalueert drie vectorisatiemethoden afgeleid van Persistent Homology (PH) om 3D scalaire velden om te zetten in machine learning-compatibele vectoren:

1. Persistence Images (PI): Projecteert persistentie-diagrammen naar Euclidische roosters met behulp van Gaussische kernels.
2. Persistence Landscapes (PL): Brengt diagrammen in kaart naar functionele representaties in Banach-ruimten.
3. Smooth Euler Characteristic Transform (SECT): De voorgestelde kernmethode.

De SECT-benadering:
In tegen tegenstelling tot PI en PL, die richting-onafhankelijk zijn, is SECT een directionele topologische representatie. Het legt de asymmetrische ruimtelijke configuratie van aneurysma's ten opzichte van hun oudervaten vast.

• Mechanisme: Het berekent de Euler Characteristic (EC) curves door de vasculaire voorgrondmasker te scannen langs uniform gesamplede richtingen op een sfeer.
• Smoothing: Ruwe EC-curves (stuksgewijs constant) worden gladgestreken en geïntegreerd om continue, stuksgewijs lineaire Smooth Euler Characteristic (SEC) curves te produceren.
• Filtratie: De methode maakt gebruik van een superlevel filtratie over het genormaliseerde intensiteitsveld, waarbij specifiek de tweede homologiegroep (H2) wordt geïsoleerd. In deze context coderen H2-kenmerken de 3D-intensiteitsgradiënttopologie, wat fungeert als morfologische signaturen van gelokaliseerde convexiteit (het onderscheid tussen zakvormige koepels en tubulaire takken).
• Parameters: De uiteindelijke representatie gebruikt 128 richtingen, 25 filtratiestappen en $L_2$-normalisatie.

3. Belangrijkste Bijdragen

1. Directionele Topologische Codering: Het artikel introduceert de toepassing van SECT op cerebrovasculaire beeldvorming en demonstreert dat het coderen van directionele geometrische structuur superieur is aan richting-onafhankelijke samenvattingen voor het onderscheiden van aneurysma's van bifurcaties.
2. Plug-and-Play FP Reductie: Het framework is ontworpen als een modulaire filter voor bestaande CNN-pipelines, waarmee het specifieke faalmechanisme van het verwarren van sacculaire geometrie met vertakkingsstructuren aanpakt zonder volledige hertraining van detectienetwerken te vereisen.
3. Robuustheid tegen Scanner Variantie: De studie test de methode rigoureus over vier verschillende fabrikanten van scanners (Siemens, GE, Toshiba/Canon, Philips), wat bewijst dat topologische invarianten resistenter zijn tegen hardware-specifieke artefacten dan intensiteitsprofielen.
4. Focus op Kleine Laesies: De evaluatie richt zich expliciet op de <3 mm cohort, de meest uitdagende en klinisch kritische subset waar de standaard sensitiviteit drastisch daalt.

4. Experimentele Resultaten

4.1. Classificatieprestaties

Bij gebruik van 5-voudige kruisvalidatie met zowel Random Forest (RF) als L1-geregulariseerde Lineaire Support Vector Classifiers (L1-SVC):

• SECT: Behaalde een AUC van 0,943 (RF) en 0,931 (L1-SVC).
• Baselines (PI/PL): Behaalden gematigde prestaties met AUC's die rond de 0,68 clusterden.
• Conclusie: De prestatiewinst is representatie-gedreven, niet classifier-afhankelijk. SECT presteert consistent beter dan persistentie-gebaseerde methoden, met name in het hoog-sensitieve werkgebied.

4.2. Grootte-gestratificeerde Prestaties

SECT demonstreerde een uitzonderlijk vermogen bij de moeilijkste gevallen:

• Kleine Aneurysma's (<3 mm): Behield een AUC van 0,943 met een sensitiviteit van 78,5% bij een strikte 95% specificiteitsrestrictie. Dit staat in scherp contrast met de ineenstorting van de sensitiviteit (<60%) die typisch is voor intensiteitsgebaseerde CNN's voor deze grootte.
• Medium/Grote Aneurysma's: De prestaties waren iets lager (AUC ~0,86–0,91), toegeschreven aan dataset class imbalance en de mogelijke afkap van grote laesies door de vaste 15 mm patch radius.

4.3. Inter-Scanner Robuustheid

Onder Leave-One-Scanner-Out (LOGO) validatie:

• SEDT behield een hoge generalisatie over alle fabrikanten, met een gemiddelde AUC van 0,927.
• In sommige gevallen (bijv. GE en Philips held-out sets) kwam de LOGO-prestatie overeen met of overtrof zelfs de binnen-scanner baselines, wat bevestigt dat de topologische beslissingsgrens effectief overdraagbaar is naar andere acquisitiedomeinen.

4.4. Gemengde Negatieve Verdelingen

Wanneer getest op een klinisch realistische mix van negatieven (Frangi bifurcaties, harde vasculaire structuren en makkelijke achtergrondweefsels):

• SECT behield een robuuste discriminatie (AUC 0,922).
• Vals-Positieven Analyse: De methode wees harde vasculaire structuren (FPR = 0,003) en Frangi bifurcaties (FPR = 0,024) bijna perfect af. Het vertoonde echter een hogere FPR (0,122) bij "makkelijk" niet-vasculair achtergrondweefsel, waarschijnlijk door incidentele koepelvormige weefseldoorsneden.

5. Betekenis en Claims

Het artikel stelt dat de primaire structurele confounder in IA-detectie de geometrische ambiguïteit is tussen aneurysma's en bifurcaties, die intensiteitsgebaseerde modellen niet kunnen oplossen. Door de focus te verschuiven van "intensiteit" naar "vorm", beweren de auteurs:

• Resolutie van Geometrische Ambiguïteit: Directionele topologische representaties (SECT) lossen de verwarring tussen sacculaire uitstulpingen en symmetrische vertakkingen betrouwbaar op, een taak waarin standaard CNN's falen.
• Klinische Bruikbaarheid voor Kleine Laesies: Het framework biedt een pad om de detectie van sub-3 mm laesies te verbeteren, een kritieke onvervulde behoefte in de huidige automatische screening.
• Scanner Agnosticisme: Door te vertrouwen op structurele invarianten in plaats van ruwe pixelwaarden, vermindert de methode de afhankelijkheid van specifieke scannerkalibratie, wat de generaliseerbaarheid over uiteenlopende ziekenhuisystemen verbetert.
• Integratiepotentieel: SECT wordt gepresenteerd als een robuuste, downstream filter klaar voor integratie in hybride deep-learning diagnostische pipelines om de FP-last te verminderen die momenteel klinische adoptie in de weg staat.

De auteurs erkennen beperkingen, waaronder de huidige inferentietijd (~11 seconden per patch), die optimalisatie vereist voor real-time implementatie, en het feit dat de evaluatie momenteel op patch-niveau is in plaats van een volledige end-to-end pipeline validatie. Desalniettemin vestigt het werk SECT als een zeer effectief instrument voor het oplossen van de specifieke geometrische confounders die de automatische detectie van aneurysma's teisteren, waarbij het traditionele persistentie-gebaseerde methoden overtreft, met name voor kleine laesies onder de 3 mm en over verschillende scannerfabrikanten heen.