Aprendizaje profundo semisupervisado de la pared del vaso carotídeo y localización de las arterias con conocimiento de forma previa

Abstract

[ES] La aterosclerosis carotídea es un factor de riesgo para los ataques isquémicos transitorios y el accidente cerebrovascular, una de las principales causas de mortalidad global. La enfermedad se caracteriza por el depósito de placa en el interior de la pared carótida. A medida que la placa crece causa estrechamiento luminal y puede romperse y desencadenar eventos cerebrovasculares. El análisis cuantitativo de los componentes de la placa y la pared del vaso es útil para identificar placas de alto riesgo y vigilar la progresión de la enfermedad. Para ello, el contorno interior y exterior se debe delinear a partir de las adquisiciones de imágenes. Las secuencias de imágenes por resonancia magnética (IRM) de gradiente rápido (3D-MERGE) han mostrado resultados prometedores en la visualización de la placa aterosclerótica. Sin embargo, su implementación en la práctica clínica es limitada debido al gran número de cortes que deben ser delineados manualmente, lo que requiere mucho tiempo. En esta tesis nos acercamos al desafío de segmentación de la pared del vaso carotídeo donde el objetivo es la segmentación automática de la pared del vaso común, externo e interno de la arteria carótida con alta precisión y robustez a partir de imágenes 3D MERGE MRI, en pacientes con diversas afecciones carótidas. Los principales retos son, la heterogeneidad y el pequeño tamaño de la morfología de la pared del vaso y la escasez de anotaciones proporcionadas. Para superar estos desafíos, implementamos una propuesta de segmentación de paredes de vasos automatizado basado en aprendizaje profundo semisupervisado con restricciones de forma. Para la localización automática de la arteria carótida, un algoritmo de detección de objetos basado en redes neuronales fue entrenado con cortes etiquetados (en total 2078). Luego, un paso de reconstrucción del eje central de la arteria en 3D aumentó la precisión de la detección para la extracción de la región de interés (ROI).

Para la segmentación de la pared del vaso se implementó una red de segmentación semisupervisada de doble tarea con regresión del mapa de distancia con cortes de en cortes etiquetados (2078) y no etiquetados (8665), donde la regularización de la consistencia a nivel de tarea guió el aprendizaje mutuo de ambas redes. Esto permitió imponer restricciones geométricas y aprovechar los datos no etiquetados. Se aplicaron restricciones de forma adicionales en una etapa posterior al procesamiento con una función de pérdida topológica basada en la homología de persistencia para la corrección de la topología de la pared del vaso. Los resultados sugieren que en problemas de segmentación desafiantes como la segmentación de la pared del vaso en IRM, el modelo puede beneficiarse de las restricciones de forma forzadas tanto durante el entrenamiento como en el post-procesamiento. Además, el módulo de post-procesamiento basado en la homología de persistencia aumentó con éxito el porcentaje de predicciones topológicamente significativas de la pared del vaso en ~7%. El objetivo final de este trabajo es avanzar hacia la implementación de algoritmos basados en aprendizaje profundo en el flujo de trabajo clínico para la evaluación de lesiones de aterosclerosis carótida.

[EN] Carotid atherosclerosis is a risk factor for transient ischemic attacks and stroke, one of the main causes of global mortality. The disease is characterized by the deposit of plaque in the interior of the carotid wall. As the plaque grows it causes luminal narrowing and may rupture and trigger cerebrovascular events. Quantitative analysis of plaque components and vessel wall is useful to identify high-risk plaques and monitor disease progression. For this inner and outer-wall contour must be delineated from image acquisitions. 3D black-blood Motion-Sensitized Driven Equilibrium-prepared Rapid Gradient Echo (3D-MERGE) magnetic resonance imaging (MRI) sequences have shown promising results in atherosclerotic plaque visualization. However, its implementation in the clinical practice is limited due to the large number of slices that must be manually delineated which is time-consuming. In this thesis we approach the Carotid Artery Vessel Wall Segmentation Challenge [28] where the aim is the automatically segment the common, external, and internal carotid artery (CCA, ECA, ICA, respectively) vessel wall with high accuracy and robustness from 3D MERGE MRI images, in patients with various carotid conditions. The main challenges where, the heterogeneity and small size of the vessel wall morphology and the sparsity of annotations provided. To overcome these challenges, we implemented an automated vessel wall segmentation workflow based on Deep Semi-Supervised Learning with shape constraints. For automatic carotid artery localization, a CNN-based object detection algorithm was custom trained with labelled slices (in total 2078). Then, a 3D vessel centreline reconstruction step increased the accuracy of detection for region of interest (ROI) extraction. For vessel wall segmentation a dual-task semi-supervised segmentation network with signed distance map regression was trained with labelled (2078) and unlabelled (8665) carotid patch slices where task-level consistency regularization guided the mutual learning of both networks. This allowed to impose geometrical constraints and take advantage of unlabelled data. Additional shape constraints were applied at a post-processing stage with a persistence homology based topological loss function for vessel wall topology correction. The results suggest that in challenging segmentation problems such as MRI vessel wall segmentation, the model can benefit from enforced shape constraints both during training and at test-time adaptation. Furthermore, the persistence homology based post-processing module successfully increased the percent of topologically meaningful vessel wall predictions by ~7%. The final aim of this work is to advance towards the implementation of DL-based algorithms in the clinical workflow for carotid atherosclerosis lesion assessment.