Scaling up fine-grained intracranial vessel annotations in computed tomography angiography

Resumo Técnico: Escalando a Anotação de Vasos Intracranianos de Grão Fino em Angiotomografia Computadorizada

Definição do Problema
A segmentação de vasos intracranianos é essencial para o diagnóstico e manejo de doenças cerebrovasculares (DCV), mas permanece, em grande parte, um processo manual e demorado realizado por radiologistas. Embora a Angiotomografia Computadorizada (ATC) seja amplamente utilizada na prática clínica devido à sua relação custo-benefício e rapidez em comparação com a Angiorressonância Magnética (ARM), as abordagens atuais de aprendizado profundo para segmentação de vasos concentram-se predominantemente em dados de ARM. Além disso, os conjuntos de dados atuais de ATC frequentemente tratam artérias distais ou menores como fundo (background), limitando a capacidade do modelo de realizar uma segmentação semântica de grão fino. A falta de conjuntos de dados anotados de grão fino e em larga escala para ATC dificulta o desenvolvimento de ferramentas automatizadas que possam fornecer biomarcadores quantitativos para a avaliação de doenças.

Metodologia
Os autores propõem o SemanticVessel, um pipeline semiautomatizado e um conjunto de dados projetados para escalar as anotações de grão fino para vasos intracranianos em exames de 4D-ATC dinâmicos.

• Aquisição e Pré-processamento de Dados: O estudo utiliza dados de 4D-ATC dinâmicos, que capturam a dinâmica de contraste através das fases arterial e venosa. O pipeline de pré-processamento envolve:

  1. Registro: Alinhamento das fases arterial e venosa a um quadro espacial comum para corrigir o movimento.
  2. Separação de Fase: Aplicação de técnicas de subtração para suprimir o fundo e vasos não alvo. Especificamente, a supressão venosa é aplicada à fase arterial (retendo voxels onde $S_a - S_{v\to a} > 0$) e a supressão arterial à fase venosa, criando volumes distintos ($S^*_a$ e $S^*_v$).
  3. Geração de Sementes: Uso de normalização de histograma Nyuz, limiarização automática baseada em entropia de Renyi e filtros de vesselness de múltiplas escalas Hessian para gerar máscaras binárias iniciais de vasos.
  4. Crescimento de Região: Um algoritmo de crescimento de região guiado por intensidade expande essas sementes para recuperar vasos finos, com tolerâncias específicas definidas para evitar sobre ou subsegmentação.

• Estratégia de Anotação:

  • Intervenção do Especialista: Um neurorradiologista experiente utiliza uma GUI interativa para atribuir rótulos semânticos aos centroides de vasos extraídos.
  • Definição de Classe: O conjunto de dados inclui 20 classes arteriais únicas (ex: ICA, M1, A1, VA, BA, PComm) e uma única classe "veia". Crucialmente, artérias menores que são custosas demais para serem anotadas individualmente são fundidas em uma classe genérica de "outra artéria", em vez de serem descartadas como fundo.
  • Propagação de Rótulo: Devido à natureza multifásica da 4D-ATC, os rótulos gerados para uma fase são registrados rigidamente e propagados para outras fases dentro da mesma série, aumentando significamente o tamanho do conjunto de dados sem custo adicional de anotação.
  • Escala do Conjunto de Dados: O conjunto de dados final compreende 360 volumes de ATC de 41 pacientes para treinamento, além de 50 varreduras de 5 pacientes retidos para verificação manual.

• Treinamento do Modelo:

  • Os autores utilizam uma arquitetura 3D nnU-Net com um preset de Residual Encoder Large (ResEncL).
  • Entrada: O modelo recebe dois canais: a imagem de ATC e um volume de coordenadas esquerda-direita específico do sujeito (codificando a distância normalizada da linha média do cérebro) para ajudar a distinguir estruturas homólogas hemisféricas.
  • Funções de Perda: Os modelos são treinados usando uma combinação de perdas Dice e Cross-Entropy. Adicionalmente, uma "perda de recall de esqueleto" (skeleton recall loss) é utilizada para penalizar a perda de voxels do centroide, melhorando a conectividade topológica.

Principais Contribuições

1. Conjunto de Dados SemanticVessel: A criação do maior conjunto de dados até o momento para segmentação de artérias cerebrais de grão fino em ATC, apresentando 22 classes (21 arteriais + 1 venosa) e 360 volumes.
2. Pipeline de Anotação Inovador: Um fluxo de trabalho semiautomatizado que aproveita a dinâmica da 4D-ATC para reduzir a carga do radiologista, mudando a tarefa de anotação manual de voxel para atribuição de rótulos em centroides segmentados.
3. Tratamento de Vasos Menores: Uma abordagem estratégica de fundir artérias menores em uma classe genérica em vez de fundo, o que os autores demonstram melhorar o desempenho geral da segmentação.
4. Reuso de Rótulos entre Fases: Um método para multiplicar o tamanho do conjunto de dados reutilizando anotações entre diferentes fases temporais da mesma varredura.

Resultados
Os modelos foram avaliados nos conjuntos de dados TopCoW e TopBrain usando o Coeficiente Dice Modificado (mDC), Distância de Hausdorff Direcionada Média (adHD) e Sensibilidade Topológica (tSens).

• Impacto da Completude de Rótulos: O treinamento com "Todos os rótulos" (incluindo veias e a classe genérica "outra artéria") produziu os melhores resultados. Especificamente, a configuração "Todos os rótulos" alcançou o maior tSens (0,9387) e o menor adHD (0,2399) entre as configurações. A inclusão da classe de artéria genérica proporcionou o benefício de supervisão mais significativo, melhorando o mDC para artérias de 0,7279 (apenas artérias nomeadas) para 0,8847 (todas as artérias).
• Função de Perda: Modelos treinados com Skeleton Recall Loss mostraram melhorias consistentes na completude topológica e precisão de borda em comparação com modelos treinados com perda padrão Dice/CE.
• Multifásico vs. Fase Única: O treinamento em dados multifásicos superou o treinamento apenas na fase arterial, resultando em uma melhoria de 0,0409 no mDC no conjunto de dados TopBrain.
• Coordenadas Esquerda-Direita: A incorporação da entrada de coordenadas esquerda-direita melhorou significativamente o desempenho, particularmente para estruturas pareadas como a ICA e M1, aumentando o mDC para artérias de 0,6453 para 0,8734.
• Generalização: Modelos treinados com o SemanticVessel superaram modelos treinados com subconjuntos do TopBrain quando avaliados em casos retidos do TopBrain.

Significância e Alegações
O artigo afirma que o SemanticVessel aborda a lacuna crítica na segmentação de vasos intracranianos de grão fino para ATC. Ao demonstrar que incluir classes de vasos "não rotuladas" ou genéricas evita que o modelo suprima estruturas vasculares reais, os autores argumentam que sua abordagem produz segmentações mais robustas e clinicamente relevantes. O trabalho destaca que os dados de 4D-ATC dinâmicos, quando processados corretamente, podem reduzir drasticamente a carga de anotação enquanto aumentam o volume de dados. Os autores afirmam que seus resultados mostram que modelos treinados com essas classes genéricas adicionais produzem melhores segmentações de grão fino em todos os aspectos. Eles pretendem disponibilizar seu código, GUI de anotação e pesos do modelo para a comunidade científica para inspirar o desenvolvimento de conjuntos de dados mais abrangentes e novas estratégias de pré-treinamento para dados cerebrovasculares.

Limitações
Os autores reconhecem algumas limitações:

• A dependência de uma ferramenta de segmentação cerebral pronta para gerar o canal de coordenadas esquerda-direita significa que o desempenho pode degradar se a máscara cerebral falhar (ex: em varreduras com remoção de crânio/skull-stripped).
• O esquema de anotação é menos granular que o TopBrain (21 estruturas arteriais vs. 34), o que pode limitar a utilidade para tarefas específicas como modelagem de visão-linguagem fundamentada.
• O conjunto de dados carece de cobertura de artérias ocluídas e variantes anatômicas comuns (ex: ausência de artérias comunicantes posteriores).
• A etapa de crescimento de região utiliza parâmetros heurísticos que podem exigir ajuste para diferentes scanners.
• As anotações nem sempre estão totalmente conectadas, o que limita a utilidade do conjunto de dados para simulações de fluidos dinâmicos que exigem árvores vasculares completas.