Resumo Técnico: Forma sobre Intensidade – Codificação Topológica Direcional para Redução de Falsos Positivos na Detecção de Aneurismas Intracranianos

1. Definição do Problema

A detecção automatizada de aneurismas intracranianos (AIs) em angiografias por tomografia computadorizada (ATC) é atualmente dificultada por taxas de falsos positivos (FP) proibitivamente altas. Embora os modelos de aprendizagem profunda alcancem alta sensibilidade para lesões grandes, eles enfrentam dificuldades significativas com aneurismas pequenos e clinicamente críticos (<3 mm), onde a sensibilidade frequentemente cai abaixo de 60%.

O modo de falha central identificado é a ambiguidade geométrica. Os modelos padrão dependem fortemente de intensidades de pixels locais e estatísticas de textura. Em volumes de ATC, aneurismas saculares verdadeiros e bifurcações vasculares saudáveis exibem distribuições de intensidade local quase idênticas. Consequentemente, os modelos confundem sistematicamente essas estruturas, tratando interseções de ramificação complexas como sacos protuberantes. Essa limitação é exacerbada pela menor resolução espacial e pelo baixo contraste vaso-fundo inerente à ATC em comparação com o padrão-ouro da Angiografia por Subtração Digital (DSA). As soluções existentes carecem frequentemente de validação externa, dados multi-institucionais e métricas estratificadas por tamanho, levando a um desempenho frágil para implantação clínica.

2. Metodologia

Os autores propõem um framework de redução de falsos positivos baseado em topologia e plug-and-play. Em vez de substituir os geradores de candidatos de alta sensibilidade existentes, este módulo atua como um filtro downstream projetado para discriminar aneurismas verdadeiros de mímicos anatomicamente plausíveis baseando-se em invariantes estruturais globais, em vez de intensidade local.

2.1. Dados e Pré-processamento

• Conjunto de Dados: Os experimentos utilizam um subconjunto curado e fortemente estratificado do conjunto de dados do Desafio de Detecção de Aneurisma Intracraniano RSNA 2025.
• Coorte: O estudo foca em volumes de ATC, compreendendo ~1.808 exames. O conjunto de avaliação final inclui 1.201 patches positivos para aneurisma e uma classe negativa estratificada:
  • Negativos Difíceis: 3.576 bifurcações vasculares mineradas via Frangi (mímicos anatomicamente plausíveis).
  • Negativos Difíceis Aleatórios: 1.787 estruturas vasculares de alta intensidade distantes das lesões.
• Negativos Fáceis: 1.787 amostras de tecido de fundo.
• Extração de Patches: Uma estratégia de Amostragem de Extração Sensível à Topologia (TAXS) extrai patches de 64×64×64 voxels. Patches positivos são ancorados em centroides anotados por especialistas (raio de 15 mm), enquanto os negativos são amostrados para emular a distribuição de FP de geradores de alta sensibilidade.

2.2. Extração de Características Topológicas

O framework avalia três métodos de vetorização derivados da Homologia Persistente (PH) para converter campos escalares 3D em vetores compatíveis com aprendizado de máquina:

1. Imagens de Persistência (PI): Projeta diagramas de persistência em grades euclidianas usando kernels Gaussianos.
2. Paisagens de Persistência (PL): Mapeia diagramas para representações funcionais em espaços de Banach.
3. Transformada de Característica de Euler Suave (SECT): O método principal proposto.

A Abordagem SECT:
Ao contrário de PI e PL, que são agnósticos à direção, a SECT é uma representação topológica direcional. Ela captura a configuração espacial assimétrica dos aneurismas em relação aos seus vasos parentais.

• Mecanismo: Computa curvas de Característica de Euler (EC) varrendo a máscara de foreground vascular ao longo de direções uniformemente amostradas em uma esfera.
• Suavização: As curvas EC brutas (constantes por partes) são suavizadas e integradas para produzir curvas de Característica de Euler Suave (SEC) contínuas e lineares por partes.
• Filtração: O método utiliza uma filtração de supernível sobre o campo de intensidade normalizado, isolando especificamente o segundo grupo de homologia (H2). Neste contexto, as características de H2 codificam a topologia do gradiente de intensidade 3D, atuando como assinaturas morfológicas de convexidade localizada (distinguindo domos saculares de ramos tubulares).
• Parâmetros: A representação final utiliza 128 direções, 25 etapas de filtração e normalização $L_2$.

3. Principais Contribuições

1. Codificação Topológica Direcional: O artigo introduz a aplicação da SECT à imagem cerebrovascular, demonstrando que a codificação da estrutura geométrica direcional é superior aos resumos agnósticos à direção para distinguir aneurismas de bifurcações.
2. Redução de FP Plug-and-Play: O framework é projetado como um filtro modular para pipelines existentes, abordando o modo de falha específico de confundir geometria sacular com estruturas de ramificação sem exigir o retreinamento total das redes de detecção.
3. Robustez à Variância de Scanner: O estudo testa rigorosamente o método através de quatro fabricantes de scanners distintos (Siemens, GE, Toshiba/Canon, Philips), provando que invariantes topológicos são mais resilientes a artefatos específicos de hardware do que perfis de intensidade.
4. Foco em Pequenas Lesões: A avaliação visa explicitamente a coorte <3 mm, o subgrupo mais desafiador e clinicamente crítico onde a sensibilidade padrão despenca.

4. Resultados Experimentais

4.1. Desempenho de Classificação

Utilizando validação cruzada de 5 dobras tanto com Random Forest (RF) quanto com classificadores de Vetor de Suporte Linear regularizados com L1 (L1-SVC):

• SECT: Alcançou um AUC de 0,943 (RF) e 0,931 (L1-SVC).
• Baselines (PI/PL): Alcançaram desempenho moderado com AUCs agrupadas em torno de 0,68.
• Conclusão: O ganho de desempenho é impulsionado pela representação, não pelo classificador. A SECT supera consistentemente os métodos baseados em persistência, particularmente na região de alta sensibilidade.

4.2. Desempenho Estratificado por Tamanho

A SECT demonstrou capacidade excepcional nos casos mais difíceis:

• Aneurismas Pequenos (<3 mm): Manteve um AUC de 0,943 com 78,5% de sensibilidade sob uma restrição estrita de 95% de especificidade. Isso contrasta fortemente com o colapso de sensibilidade (<60%) típico de modelos baseados em intensidade para este tamanho.
• Aneurismas Médios/Grandes: O desempenho foi ligeiramente inferior (AUC ~0,86–0,91), atribuído ao desequilíbrio de classes no dataset e ao potencial truncamento de grandes lesões pelo raio fixo de patch de 15 mm.

4.3. Robustez Inter-Scanner

Sob validação Leave-One-Scanner-Out (LOGO):

• A SECT manteve alta generalização entre todos os fabricantes, com um AUC médio de 0,927.
• Em alguns casos (ex: conjuntos mantidos fora para GE e Philips), o desempenho LOGO igualou ou até superou as bases de dentro do mesmo scanner, confirmando que a fronteira de decisão topológica transfere-se efetivamente entre domínios de aquisição.

4.4. Distribuições Mistas de Negativos

Quando testada em uma mistura clinicamente realista de negativos (bifurcações de Frangi, estruturas vasculares difíceis e tecido de fundo fácil):

• A SECT manteve discriminação robusta (AUC 0,922).
• Análise de Falsos Positivos: O método rejeitou quase perfeitamente estruturas vasculares difíceis (FPR = 0,003) e bifurcações de Frangi (FPR = 0,024). No entanto, exibiu um FPR mais alto (0,122) em tecido de fundo não vascular "fácil", provavelmente devido a seções transversais de tecidos com formato de domo incidental.

5. Significância e Alegações

O artigo postula que o principal confundidor estrutural na detecção de IA é a ambiguidade geométrica entre aneurismas e bifurcações, que modelos baseados em intensidade não conseguem resolver. Ao mudar o foco de "intensidade" para "forma", os autores alegam:

• Resolução da Ambiguidade Geométrica: Representações topológicas direcionais (SECT) resolvem confiavelmente a confusão entre protuberâncias saculares e ramificações simétricas, uma tarefa onde os modelos padrão falham.
• Viabilidade Clínica para Pequenas Lesões: O framework oferece um caminho para melhorar a detecção de lesões sub-3 mm, uma necessidade clínica não atendida crucial no momento.
• Agnosticismo de Scanner: Ao depender de invariantes estruturais em vez de valores brutos de pixels, o método reduz a dependência de calibrações específicas de scanner, aumentando a generalização entre sistemas hospitalares díspares.
• Potencial de Integração: A SECT é apresentada como um filtro downstream robusto, pronto para ser integrado em pipelines de diagnóstico de aprendizagem profunda híbridos para reduzir a carga de FPs que atualmente impede a adoção clínica.

Os autores reconhecem limitações, incluindo o tempo de inferência atual (~11 segundos por patch), que requer otimização para implantação em tempo real, e o fato de que a avaliação é atualmente em nível de patch, em vez de validação de pipeline end-to-end completa. No entanto, o trabalho estabelece a SECT como uma ferramenta altamente eficaz para resolver os confundidores geométricos específicos que assolam a detecção automatizada de aneurismas, superando assim os métodos tradicionais baseados em persistência, particularmente para lesões pequenas de menos de 3 mm e entre diferentes fabricantes de scanners.