Segmentazione di immagini CCTA di pazienti affetti da malattia coronarica (CAD) non ostruttiva e predizione dell’Agatston Score e Volume Score
La malattia coronarica (CAD) rappresenta uno dei principali disturbi cardiovascolari che colpiscono la popolazione a livello mondiale, e risulta asintomatica nella maggior parte dei casi. Ad oggi la patologia causa un terzo dei decessi tra le persone sopra i 35 anni e, nei Paesi occidentali, la quota si avvicina al 50%. Diverse le cause, tra cui ipertensione, iperlipidemia, familiarità, fumo. Vista la complessità diagnostica è importante individuare anticipatamente il rischio di sviluppare la patologia. La tecnica diagnostica utilizzata per valutare la presenza di placche calcifiche nelle arterie coronariche è la Coronary computed tomography angiography (CCTA), nota come angio-TC coronarica. In questo studio applichiamo l’intelligenza artificiale all’angio-TC coronarica per stimare in modo automatico il calcium score.
Dyrecta Lab, in qualità di Istituto di ricerca e laboratorio scientifico accreditato MUR, ha presentato lo studio “Segmentation-Based CCTA Image Analysis to Support the agnosis of Coronary Artery Disease” alla 2024 IEEE International Humanitarian Technologies Conference (IHTC). Lo studio è stato sviluppato nell’ambito del progetto “AI for Preventing Heart Disease”.
Calcium score dall’angio-TC coronarica con l’intelligenza artificiale
L’angio-TC coronarica è una tecnica non invasiva che fornisce immagini tridimensionali ad alta risoluzione del cuore e delle arterie. Il punteggio CAC è il marcatore diagnostico utilizzato per stimare la quantità di placche calcifiche nelle arterie, valutato mediante diverse metodi, tra cui il calcolo del calcium score di Agatston, il più diffuso nella pratica clinica, e del calcium volume score. L’obiettivo della ricerca è stato sviluppare un modello basato su rete neurale U-Net in grado di identificare la presenza di placche coronariche e di fornire una stima dell’Agatston score e del punteggio del volume del calcio (calcium volume score).
Il modello di intelligenza artificiale lavora sulle immagini di angio-TC coronarica in tre fasi:
- Pipeline di pre-elaborazione: le immagini vengono convertite dal formato DICOM al NIfTI e migliorate nel contrasto mediante windowing. Tecniche di data augmentation e di rimozione artefatti aiutano a incrementare la qualità del dato;
- Segmentazione placca coronarica: una rete neurale convoluzionale U-Net costituita da unità residuali viene utilizzata per segmentare le calcificazioni arteriose. L’approccio permette di migliorare l’apprendimento della rete nelle operazioni di downsampling e/o upsampling, e ridurre il numero di layer all’interno delle unità della rete;
- Tecniche di post-elaborazione: tecniche di region growing applicate per migliorare l’accuratezza del modello.
Risultati del modello su predizione Agatston Score e Volume Score
Il modello è stato addestrato considerando un dataset di 650 angio-TC, per un totale di 37.050 immagini. Il modello ha restituito, inizialmente, senza l’applicazione del region growing un DICE score di 0,78, che si traduce in un’accuratezza di circa l’80% relativamente alla classificazione dei pixel appartenenti a un deposito di calcio coronarico. Attraverso l’applicazione di tecniche di post-elaborazione l’accuratezza della segmentazione supera 0,95 nella maggior parte dei casi e si attesta intorno al 97%. I risultati hanno evidenziato alcuni limiti nei casi di rilevamento di depositi di calcio minimali. I prossimi passi prevedono una pre-elaborazione più raffinata, l’aggiunta di un livello di dropout nella rete e il confronto con altri modelli. I risultati indicano che l’intelligenza artificiale può rendere più rapida e ripetibile la lettura dell’angio-TC coronarica, con margini di miglioramento sui depositi di calcio più piccoli.
Per approfondire il nostro studio, consulta:
https://doi.org/10.1109/IHTC61819.2024.10855144
