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

Resumo Técnico: Segmentação Robusta de Vasos Cerebrais Automática em Exames de CTA 3D usando Dados de 4D-CTA Dinâmicos

Definição do Problema
A angiotomografia computadorizada (CTA) intracraniana é uma ferramenta diagnóstica crítica para a detecção de anormalidades vasculares. Embora a 4D-CTA dinâmica forneça informações vasculares temporais detalhadas, o protocolo clínico predominante permanece a CTA de fase única. Extrair robustamente a vasculatura cerebral de varreduras de fase única é desafiador devido à presença de osso e tecido mole de fundo, bem como pela dificuldade em distinguir artérias de veias sem um pós-processamento extensivo. Além disso, as abordagens de aprendizado profundo existentes para segmentação de vasos enfrentam limitações significativas:

• Escassez de Dados: Conjuntos de dados anotados de alta qualidade e detalhados são raros. Conjuntos de dados existentes, como o TopCoW, focam primariamente nas artérias do Círculo de Willis (CoW), ignorando regiões vasculares mais amplas relevantes para o manejo de doenças cerebrovasculares.
• Carga de Anotação: A anotação manual de imagens de CTA requer conhecimento anatômico especializado e é laboriosa, particularmente para a separação de artérias e veias.
• Generalização: Modelos treinados em modalidades limitadas ou fases de contraste únicas podem falhar ao generalizar para diferentes fases de contraste ou ao capturar estruturas arteriais e venosas com precisão.

Metodologia
Os autores propõem um novo pipeline, DynaVessel, que utiliza dados de 4D-CTA dinâmica para criar um conjunto de dados de treinamento robusto e melhorar o desempenho da segmentação. A metodologia consiste em três etapas principais:

1. Aquisição de Dados e Pré-processamento:

   • CTA Dinâmica: As varreduras são adquiridas utilizando um scanner de CT de 32 de fileiras de detectores, capturando imagens em 19 pontos temporais ao longo de 60 segundos após a injeção do contraste.
   • Subtração de Osso/Tecido Mole: O scanner utiliza uma imagem de base (adquirida antes do contraste atingir o céreão) para subtrair o osso e o tecido mole das imagens subsequentes, melhorando a visualização dos vasos.
   • Separação de Vasos: Um algoritmo customizado (Algoritmo 1) alinha as imagens das fases arterial e venosa usando transformações rígidas. Em seguida, ele suprime estruturas venosas na fase arterial e estruturas arteriais na fase venosa ao comparar as intensidades de voxel entre as duas fases. Isso resulta em dois volumes distintos por paciente: um volume arterial com supressão de osso e veia ($S^*_a$) e um volume venoso com supressão de osso e artéria ($S^*_v$).
   • Extração de ROI: Uma máscara binária do crânio e do pescoço é aplicada para suprimir tecidos extracranianos, e as imagens são reamostradas para uma resolução isotrópica de 0,468 mm.

2. Anotação de Ground Truth (GT):

   • Os volumes de vasos separados são processados utilizando o pipeline de extração de características iCafe. Isso envolve normalização de intensidade, limiarização (Phansalkar para rastreamento, entropia de Renyi para visualização) e um modelo de contorno ativo de curva aberta para traçar estruturas semelhantes a vasos.
   • Validação Manual: Um neurorradiologista valida manualmente os traços, removendo estruturas espúrias fora do crânio e corrigindo variações anatômicas. Para as veias, os ramos distais são refinados manualmente para garantir a precisão.
   • Construção do Dataset: O dataset final, DynaVessel, compreende 275 varreduras de CTA de cabeça de 43 pacientes. O conjunto de treinamento inclui 110 imagens de 29 pacientes, enquanto o conjunto de teste inclui 165 imagens de 14 pacientes. Crucialmente, os dados de treinamento pareiam múltiplas fases de contraste (3 a 19 volumes por paciente) com um único conjunto de anotações de GT, aumentando efetivamente o dataset de 4 a 5 vezes e induzindo robustez à variabilidade do contraste.

3. Treinamento e Avaliação do Modelo:

   • Arquitetura: Um modelo nnUNet (Residual Encoder UNet) é treinado no dataset DynaVessel.
   • Métricas de Avaliação: O desempenho é avaliado usando o Coeficiente de Dice Modificado (mDC), Distância de Hausdorff Direcionada Média (adHD) e Sensibilidade de Topologia (tSens). A avaliação é conduzida em segmentação binária de vasos, segmentação artéria-vs-veia e segmentação semântica em 20 regiões anatômicas arteriais específicas e 6 regiões venosas.
   • Baselines: O modelo proposto ($M_{DV}$) é comparado com modelos treinados no TopCoW, VesselVerse e no modelo de fundação VesselFM.

Principais Contribuições

1. Pipeline de Anotação: Os autores documentam um pipeline para anotar artérias e veias em varreduras de CTA de cabeça usando dados de 4D-CTA dinâmica, o que reduz significamente o tempo de anotação ao aproveitar a subtração e o rastreamento automatizado.
2. Dataset DynaVessel: A apresentação do DynaVessel, um dataset contendo 275 varreduras com anotações finas de artérias e veias, cobrindo uma ampla gama de fases de contraste e regiões anatômicas (incluindo artérias distais e seios venosos).
3. Benchmarking de Desempenho: A avaliação de um modelo treinado no DynaVessel contra baselines de última geração, demonstrando desempenho de segmentação superior tanto para artérias quanto para veias.

Resultos
O modelo treinado no DynaVessel ($M_{DV}$) alcançou um desempenho significativamente melhor do que os modelos treinados no TopCoW, VesselVerse ou VesselFM em todas as regiões vasculares e datasets:

• Dataset TopBrain: $M_{DV}$ alcançou um mDC médio de 0,846 para artérias e 0,957 para veias. Em comparação, o melhor baseline (VesselVerse) alcançou 0,455 (artérias) e 0,031 (veias).
• Margens de Erro: O modelo demonstrou baixas margens de erro com um adHD de 0,304 mm para artérias e 0,078 mm para veias, e alta sensibilidade de topologia (tSens) de 0,877 (artérias) e 0,974 (veias).
• Robustez: Embora o desempenho varie naturalmente conforme a fase de contraste (ex: menor desempenho em fases pré-contraste), o treinamento em dados de múltiplas fases melhorou significativamente a generalização em comparação com modelos treinados em fases de pico únicas. Estudos de ablação confirmaram que o treinamento em uma única fase reduziu severamente a capacidade do modelo de generalizar para fases não vistas.
• Análise Qualitativa: Visualizações mostraram que o $M_{DV}$ alcançou cobertura quase completa das estruturas arteriais e venosas com pouquíssimos falsos negativos, enquanto os modelos baseline falharam em detectar a maioria das veias ou produziram segmentações espúrias numerosas.

Significância
O artigo afirma que este trabalho constitui um passo significativo em direção à segmentação automática de todas as estruturas vasculares cerebrais em exames de CTA. Ao utilizar dados de 4D-CTA dinâmica, os autores superam as dificuldades de longa data de distinguir artérias e veias intracranianas e reduzir a natureza laboriosa da anotação. O dataset e o modelo resultantes oferecem ampla aplicabilidade como entrada primária ou auxiliar para a avaliação de patologias cerebrovasculares, como localização de oclusão e detecção de aneurisma. Os autores observam que, embora a atual avaliação semântica detalhada sirva como uma aproximação de limite superior, a metodologia fornece uma base para trabalhos futuros para expandir as anotações e desenvolver arquiteturas para tarefas complexas de segmentação semântica.