Breast arterial calcifications : detection, visualization and quantification through a convolutional neural network

Le malattie cardiovascolari (CVD) sono la principale causa di morte al mondo; il loro rischio è spesso sottostimato nelle donne, indicando una mancanza di fattori specifici per il genere femminile nell’attuale stratificazione del rischio di CVD. Le calcificazioni arteriose mammarie (BAC) sono ritrovamenti frequenti nelle mammografie acquisite a scopo di screening per i tumori al seno, e sono state recentemente considerate un fattore di rischio specifico per le donne. Nonostante le BAC abbiano la potenzialità di migliorare la prevenzione del rischio cardiovascolare, appena il 61.9% dei radiologi riporta la loro presenza, e la gravità delle calcificazioni viene indicata solo dal 20% dei radiologi. Un supporto automatico all’analisi delle BAC potrebbe incoraggiare il loro uso come marker per le CVD, riducendo il lavoro a carico dei radiologi per il loro studio. Questa tesi si occupa dello studio dei passaggi tecnici necessari allo sviluppo di una procedura automatizzata per l’analisi delle BAC, tramite il training di un neural network convoluzionale (CNN) dedicato alla detezione della presenza di queste calcificazioni. È stato inoltre testato un metodo di visualizzazione dei risultati del CNN, ed infine è stata proposta una procedura di valutazione della gravità delle calcificazioni tramite assegnazione di un punteggio automatico. L’architettura del CNN considerata è stata sviluppata precedentemente per la classificazione binaria delle BAC (presenti/assenti). È costituita da 16 layer, di cui i primi 8 allenati tramite transfer learning basato su VGG-16. I restanti layers sono stati allenati in questa tesi tramite un dataset di 1640 immagini; la validazione è stata effettuata con 888 immagini. È stato eseguito il tuning degli iper-parametri al fine di produrre il modello con le performances migliori (BAC-Net), che è stato infine testato con 916 immagini (precisione=0.831, recall=0.68, F1=0.748, ROC AUC=0.95). I risultati di BAC-Net sono stati analizzati tramite visualizzazioni di tipo GradCAM++, producendo delle heatmaps dell’ultimo layer convoluzionale. La posizione e le dimensioni delle BAC sono state correttamente individuate da questo metodo, permettendo di aumentare la fiducia dei radiologi nelle predizioni fornite da BAC-Net. Un dataset ridotto di 112 immagini è stato usato per testare in modo preliminare la procedura di assegnazione di un punteggio basandosi sul tresholding delle heatmaps prodotte in precedenza. Questo metodo ha permesso di estrarre tre punteggi continui correlati all’area (ABAC), all’intensità dei pixels (IBAC) ed alla previsione della lunghezza (LBAC) delle regioni sopra-soglia. La regressione lineare tra la lunghezza delle BAC misurata dai radiologi (l_BAC) ed i tre punteggi sopracitati è stata calcolata. ABAC ha mostrato la correlazione più alta con l_BAC (RS=0.90, p-value=6.33e-41). In ultimo, tre punteggi ordinali (AQ, IQ, LQ) con valori da 1 a 4 sono stati estratti da ABAC, IBAC, e LBAC basandosi sulla rispettiva distribuzione in quartili. È stata quindi studiata la correlazione tra AQ, IQ e LQ ed un punteggio ordinale di riferimento l_Q (derivante da l_BAC); AQ ha mostrato l’accuratezza maggiore per la predizione di l_Q (accuratezza=0.53)

Le malattie cardiovascolari (CVD) sono la principale causa di morte al mondo; il loro rischio è spesso sottostimato nelle donne, indicando una mancanza di fattori specifici per il genere femminile nell’attuale stratificazione del rischio di CVD. Le calcificazioni arteriose al seno (BAC) sono ritrovamenti frequenti nelle mammografie acquisite a scopo di screening per il tumore al seno, e sono state recentemente considerate un fattore di rischio specifico per le donne. Nonostante le BAC abbiano la potenzialità di migliorare la prevenzione del rischio cardiovascolare, solo il 61.9% dei radiologi riporta la loro presenza, e annotazioni sulla gravità delle calcificazioni vengono indicate solo dal 20% dei radiologi. Un supporto automatico all’analisi delle BAC potrebbe incoraggiare il loro uso come marker per le CVD, riducendo il lavoro a carico dei radiologi per il loro studio. Questa tesi si occupa dello studio dei passaggi tecnici necessari allo sviluppo di una procedura automatizzata per l’analisi delle BAC, tramite il training di un neural network convoluzionale (CNN) dedicata alla detezione della presenza di BAC, seguito da un test dell’efficacia di un metodo di visualizzazione ed infine dalla proposta di una procedura di valutazione della gravità delle calcificazioni tramite assegnazione di un punteggio automatico. L’architettura della CNN considerata è stata sviluppata precedentemente per la classificazione binaria delle BAC (presenti/assenti). È costituita da 16 layer, di cui i primi 8 allenati tramite transfer learning basato su VGG-16. I restanti layer sono stati allenati in questa tesi tramite un dataset di 1640 immagini; la validazione è stata effettuata con 888 immagini. Il tuning degli iper-parametri è stato effettuato al fine di produrre il modello con le performances migliori (BAC-Net), che è stato testato con 916 immagini (precisione=0.831, recall=0.68, F1=0.748, ROC AUC=0.95). I risultati di BAC-Net sono stati analizzati tramite visualizzazioni di tipo GradCAM++, producendo delle heatmap dell’ultimo layer convoluzionale. La posizione e le dimensioni delle BAC sono state correttamente individuate da questo metodo, permettendo di aumentare la fiducia dei radiologi nelle predizioni di BAC-Net. Un dataset ridotto di 112 immagini è stato usato per testare in modo preliminare la procedura di assegnazione di un punteggio basandosi sul tresholding delle heatmap prodotte in precedenza. Questo metodo ha permesso di estrarre tre punteggi continui correlati all’area (ABAC), all’intensità dei pixels (IBAC) ed alla previsione della lunghezza (LBAC) delle regioni sopra-soglia. La regressione lineare tra la lunghezza delle BAC misurata dai radiologi (l_BAC) ed i tre punteggi sopracitati è stata calcolata. ABAC ha mostrato la correlazione più alta con l_BAC (RS=0.90, p-value=6.33e-41). In ultimo, tre punteggi ordinali (AQ, IQ, LQ) con valori da 1 a 4 sono stati estratti da ABAC, IBAC, e LBAC basandosi sulla rispettiva distribuzione in quartili. La correlazione tra AQ, IQ e LQ ed un punteggio ordinale di riferimento l_Q (derivante da l_BAC) è stata studiata; AQ ha mostrato l’accuratezza maggiore per la predizione di l_Q (accuratezza=0.53)