Machine and deep learning approaches for scar tissue classification from arterial cardiac computed tomography images

Cardiac computed tomography (CCT) is a highly versatile imaging modality for the assessment of numerous cardiovascular disease states. CCT is now a well-established first-line imaging modality for the evaluation of significant coronary artery disease and severe cardiomyopathies, such as ischemic dilated cardiomyopathy. The conventional clinical imaging protocol is based on the acquisition of images using two types of CCT sequences: arterial images, which provide optimal enhancement of structures that get their blood supply directly from the arterial system, and Late Iodine Enhancement (LIE) images, enhanced by Iodine (Id)-based contrast agent which are used to assess regional myocardial fibrosis and scar formation. The underlying idea of this thesis is that textural differences due to presence of myocardial fibrotic areas can be evaluated by machine (ML) and deep learning (DL) models applied to arterial phase CCT images. In literature it has been shown that the presence of the scar is often accompanied by alterations in the textural intensity of the myocardial wall [1], thus suggesting that it is possible to identify the presence of fibrotic tissue even in arterial phase images [1]. The study was conducted retrospectively by using the CCT images of 50 patients affected by ischemic dilated cardiomyopathy acquired at IRCCS Centro Cardiologico Monzino: for each of them the short-axis arterial phase was available, together with the gold standard: this information was available in each cardiac magnetic resonance late gadolinum enhancment images about the presence or not of scar in each of the six sectors in which the myocardium was divided following the guidelines of the American Heart Association (AHA) 17-sector model. The original dataset was filtered to eliminate all the sectors with artifacts related to patient movements between the two acquisitions, obtaining a total of 7300 segments. These segments were filtered in order to eliminate all those segments in which the percentage of fibrosis relative to the overall area was less than a predefined threshold. Thresholds of 10, 20, 30 and 40% were respectively used, thus obtaining four different dataset: dataset10, dataset20, dataset30 and dataset40. Random forest (RF), Support Vector Machine (SVM) and three different convolu- tional neural networks (CNNs), Resnet 50, Vgg 16 and Densenet were applied on all these dataset and their performance compared. For robust performance evaluation a 10-fold cross validation was used, assigning each patient to only one fold for the entire procedure. During the training of RF and SVM models, the hyperparameter tuning was optimized via grid-search and cross validation. For the CNN, instead, the training set was divided into training and validation subgroups (70% and 30%, respectively). The best performance for every classifier was obtained when trained with dataset 10 and tested on dataset 40. Between all of them, CNN reached the highest recall (median = 63%, inter-quartile range (IQR) = 4%), with a corresponding precision of 70% (IQR = 2%), F1-score equal to 70% (IQR = 4%) and a mean area under the curve (AUC) of 69% (standard deviation (sd) = 5%), while SVM a median recall of 62% (IQR = 3%), a precision of 62% (IQR= 35) and a mean area under the curve (AUC) of 65% (sd = 5%) and RF median recall of 60%(IQR = 2%), a precision of 61% (IQR= 35) and a mean area under the curve (AUC) of 63% (sd = 5%) . Considering the ML approaches, SVM outperformed RF and reached the best results. DL architectures were capable of exploiting textural informations guaranteeing a good classification with our input dataset . These results showed that advanced ML and DL models could constitute a valid approach for classification of myocardial sectors with scar when using dynamical in- formation, and their use could represent a step towards the classification of scars in arterial phase images.

La tomografia computerizzata cardiaca (CCT) è una modalità di imaging altamente versatile per la valutazione di condizioni legate a malattie cardiovascolari. La CCT è ormai una consolidata modalità di imaging nella valutazione di gravi cardiomiopatie, come la cardiomiopatia dilatativa ischemica. Il convenzionale protocollo clinico di imaging si basa sull’acquisizione di immagini usando due tipologie di sequenze: la fase arteriosa, che fornisce un contrasto ottimale nelle strutture che ottengono il loro apporto di sangue direttamente dal sistema arterioso e la fase late iodine enhancment (LIE), che sfrutta l’utilizzo di agenti di contrasto a base di Iodio (Id), per valutare la presenza di fibrosi e la formazione di tessuto cicatriziale nella parete ventricolare. L’idea alla base di questa tesi e che le differenze di texture e le anomalie di contra- zione dovute alla presenza di aree miocardiche affette da tessuto cicatriziale possano essere valutate con modelli di machine learning (ML) e deep learning (DL) applicati alle immagini di fase arteriosa. Lo studio retrospettivo e stato condotto utilizzando le immagini di 50 pazienti affetti da cardiomiopatia ischemica dilatativa, acquisite presso IRCCS Centro Cardiologico Monzino: sono state messe a disposizione le sequenze arte- rial phase di ciascun paziente, insieme al gold standard rappresentato dall’informazione sulla presenza o meno del tessuto cicatriziale nelle immagini di risonanza magnetica, su ognuno dei sei settori in cui è stato diviso il miocardio secondo le linee guida del modello a 17 settori dell’American Heart Association (AHA). Il dataset originale è stato filtrato per eliminare tutti quei settori con artefatti dovuti a movimenti del paziente tra un’acquisizione e l’altra, ottenendo un totale di 7300 segmenti. Questi segmenti sono stati nuovamente filtrati, eliminando tutti quelli in cui la percentuale di fibrosi rispetto all’area complessiva fosse inferiore alla soglia applicata. Sono state utilizzate rispettivamente le soglie del 10, 20, 30 e 40%, ottenendo così quattro diversi dataset: dataset10, dataset20, datset30 e dataset40. Sono stati utilizzati e successivamente messi a confronto i metodi di Random forest (RF), Support Vector Machine (SVM) e Convolutional Neural Network (CNN) sui quattro diversi dataset . Ogni dataset è stato adottato per tutti i modelli di classificazione usati in questa tesi (RF, SVM e CNN), e per una valutazione robusta delle prestazioni e stata utilizzata una procedura di 10-fold cross validazione, assegnando ogni paziente ad un solo gruppo per l’intera procedura. Durante l’allenamento dei modelli RF e SVM il tuning degli iperparametri e stato ottimizzato via grid-search e cross-validazione. Per la CNN, il dataset di training e stato ulteriormente diviso nei sottogruppi di training e validation (70% e 30%, rispettivamente). Per ogni classificatore la migliore performance è stata ottenuta quando allenati su dataset 10 e testati su dataset 40. Tra tutti, CNN ha raggiunto la più alta recall (me- diana = 63%, intervallo interquartile (IQR) = 4%), con una precisione corrispondente del 70% (IQR = 2%), F1-score pari al 70% (IQR = 4%) e un’area media sotto la curva (AUC) del 69% (deviazione standard (sd) = 5%), mentre SVM una recall media del 62% (IQR = 3%), una precisione del 62% (IQR= 35) e un’area media sotto la curva (AUC) del 65% (sd = 5%) e RF un recall media del 60% (IQR = 2%), una precisione del 61% (IQR= 35) e un’area media sotto la curva (AUC) del 63% (sd = 5%). Con- siderando gli approcci di ML, le SVM hanno superato le prestazioni di RF ed hanno raggiunto i risultati migliori. Inoltre, le complesse architetture di DL sono state in gra- do di sfruttare le informazioni texturali garantendo una buona classificazione quando allenate con i dataset 10 e 20. Questi risultati hanno tuttavia mostrato come modelli avanzati di ML e DL pos- sano rappresentare un valido approccio per la classificazione dei settori del miocardio con tessuto cicatriziale nel momento in cui si utilizzano informazioni texturali, e il loro utilizzo potrebbe rappresentare un passo avanti verso l’individuazione di tessuto cicatriziale in immagini di fase arteriosa .