Cardiovascular disease classification using radiomics and geometric features from cardiac CT

Resumo Técnico: Classificação de Doenças Cardiovasculares Utilizando Radiômica e Características Geométricas de TC Cardíaca

Declaração do Problema
As doenças cardiovasculares (DCVs) continuam sendo uma das principais causas de mortalidade global, tornando necessário um diagnóstico precoce e preciso. Embora a Tomografia Computadorizada (TC) forneça dados anatômicos e funcionais detalhados, a interpretação manual é demorada e suscetível a variabilidades. As abordagens recentes de aprendizado profundo para classificação de DCVs operam tipicamente diretamente sobre imagens de TC brutas ou utilizam classificadores de ponta a ponta acoplados a máscaras de segmentação. Os autores argumentam que esses métodos sofrem de duas limitações primárias: falta de interpretabilidade clínica e incapacidade de capturar informações geométricas relacionadas à morfologia das estruturas anatômicas. Especificamente, os recursos baseados em segmentação padrão não representam plenamente as deformações espaciais ou desvios de um estado saudável que podem conter informações diagnósticas críticas.

Metodologia
O framework proposto decompõe o pipeline de classificação de DCVs em três etapas distintas e interpretáveis: (i) segmentação de imagem, (ii) registro de imagem para um atlas populacional e (iii) classificação subsequente da doença.

1. Segmentação e Construção do Atlas:
   Os autores empregam o framework Atlas-ISTN, que aprende conjuntamente segmentação e registro para construir um atlas anatômico baseado em população. Para abordar o desafio de dados rotulados limitados, o framework integra modelos fundamentais pré-treinados:

   • TotalSegmentator: Um modelo pré-treinado capaz de segmentar 117 estruturas anatômicas, utilizado aqui para sete estruturas cardíacas principais (átrios, ventrículos, miocárdio, aorta, tronco pulmonar) sem ajuste fino.
   • Anatomix: Um modelo fundamental de propósito geral baseado em uma U-Net 3D, pré-treinado em dados sintéticos e ajustado finamente no conjunto de dados MM-WHS para esta tarefa específica.
   • Linha de Base: Uma U-Net 3D treinada do zero nos mesmos dados para comparação.

2. Extração de Recursos:

   • Recursos Radiômicos: Extraídos dos mapas de segmentação das sete estruturas cardíacas. Estes incluem estatísticas de primeira ordem (média, variância, entropia), descritores de forma 3D (volume, esfericidade) e matrizes de textura (GLCM, GLRLM, GLSZM, NGTDM, GLDM).
   • Recursos Geométricos: Derivados dos campos de deformação gerados ao distorcer imagens de sujeitos individuais para o atlas saudável normativo. Esses vetores de deslocamento voxel a voxel são de alta dimensão; portanto, a Decomposição em Valores Singulares (SVD) é aplicada para reduzir o espaço de recursos e extrair recursos de deformação de baixa dimensão e interpretáveis para cada estrutura.

3. Classificação:
   Um Perceptron de Multicamadas (MLP) serve como classificador subsequente. Para avaliar a contribuição de diferentes tipos de recursos, três modelos separados foram treinados: um usando apenas recursos radiômicos, um usando apenas recursos geométricos e um usando uma combinação de ambos. Como linha de base, um ResNet-50 3D foi treinado diretamente sobre imagens de TC brutas.

Principais Resultados
Os experimentos foram conduzidos utilizando o conjunto de dados MM-WHS para treinamento de segmentação e o conjunto de dados ASOCA (disponível publicamente, com 20 casos saudáveis e 20 doentes) para classificação de doenças, avaliados por validação cruzada de 5 dobras.

• Desempenho de Segmentação: Tanto o TotalSegmentator quanto o modelo Anatomix ajustado finamente alcançaram altos Coeficientes de Similaridade de Dice (DSC) e menores erros de fronteira (ASD, HD) em comparação com a U-Net 3D treinada do zero. O Anatomix produziu segmentações visualmente mais consistentes, correspondendo estreitamente à verdade fundamental sem os artefatos de supersegmentação observados no TotalSegmentator (especificamente em relação à aorta descendente).
• Desempenho de Classificação:
  • Recursos Combinados: O MLP utilizando tanto recursos radiômicos quanto geométricos alcançou a maior precisão de 87,50% (±10,21), com um recall de 90,00% e uma pontuação F1 de 88,01%.
  • Recursos Individuais: O uso de apenas recursos radiômicos resultou em 82,50% de precisão, enquanto os recursos geométricos isolados renderam 76,67%. Isso indica que os dois tipos de recursos fornecem informações diagnósticas complementares.
  • Linha de Base: O ResNet-50 treinado diretamente sobre imagens de TC brutas alcançou uma precisão de 67,50% e um recall de 60,00%, desempenhando significativamente abaixo da abordagem baseada em recursos.

Significado e Alegações
O artigo afirma que decompor o pipeline de classificação em segmentação, registro e extração de recursos melhora a interpretabilidade clínica em comparação com modelos de aprendizado profundo de ponta a ponta. Os resultados suportam a hipótese de que recursos geométricos relacionados à morfologia anatômica (especificamente campos de deformação relativos a um atlas saudável) contêm informações diagnósticas complementares aos recursos radiômicos padrão.

Os autores afirmam que sua abordagem alcança desempenho superior de classificação (uma melhoria aproximada de 20% sobre a linha de base de imagem bruta) sem depender de conjuntos de dados de imagens em grande escala ou treinamento de ponta a ponta. Ao alavancar modelos fundamentais pré-treinados, o método demonstra eficácia em regimes de baixos dados. O trabalho conclui que recursos interpretáveis derivados de estruturas anatômicas e campos de deformação são mais discriminativos para classificação de DCVs do que recursos aprendidos diretamente a partir de dados de intensidade bruta. Trabalhos futuros são propostos para validar essas descobertas em conjuntos de dados maiores e para incorporar estimativas de incerteza no pipeline para melhorar ainda mais a utilidade clínica.