2D Radiomics based scar detection in non-contrast cine CMR using multiple ROIs: a comparative study of feature selection strategies

Dilated cardiomyopathy (DCM) is frequently associated with the presence of replacement myocardial fibrosis (RMF) involving the mid-myocardial and/or subepicardial layers, and has been reported in up to 45% of cases. Cardiovascular magnetic resonance (CMR) with late gadolinium (Gd) enhancement (LGE) represents the non-invasive gold standard for the assessment of focal scarring tissue; however, the use of Gd-based contrast agents raises important safety concerns. Gd exposure has been associated with rare but potentially severe immediate reactions, nephrogenic systemic fibrosis (NSF) in patients with severe renal impairment, and evidence of long-term tissue deposition in organs such as brain, bone, liver, and skin. This pool of evidence motivates the development of contrast-free imaging approaches that can provide comparable diagnostic information. In this study, a 2D radiomics-based framework was developed to identify the presence of RMF in the left ventricle using non-contrast Cine CMR images, exploiting only radiomics static feature derived from the end-diastolic (ED) frame. Radiomics is a quantitative approach that extracts many different handcrafted features within a region of interest (ROI), aiming to uncover information not apparent to the human eye. In recent years multiple radiomic strategies have been explored to detect RMF in the left ventricular myocardium (LVM), from both 2D and 3D Cine images, highlighting the potential of such features for this task. Many studies have also incorporated additional features, for example those derived from deep learning (DL). In this work, a comprehensive set of radiomic features was extracted from 2D Cine images after a dedicated preprocessing pipeline, not only from the LVM but also from the corresponding blood pool, a ROI that has not previously been exploited in the context of 2D radiomic. The proposed machine learning (ML) framework was structured in a multistep fashion, whose core component was a systematic comparison of multiple hybrid feature selection (FS) strategies, which are widely recommended in radiomics yet still rarely applied. No prior studies on Cine CMR radiomics for scar detection have explicitly compared multiple FS approaches. Several ML classifiers were evaluated, with model selection carried out according to predefined clinically motivated rules targeting both sensitivity-oriented objectives and balanced performance. The results confirmed the ability of Cine-derived radiomic models to capture the presence of RMF from both ROIs, with blood pool descriptors accounting for four of the ten features retained in the final signature. The most promising model achieved a slice-level test sensitivity of 0.84 and patient-wise aggregation further enhanced performance, with no false-negative cases observed and high specificity (0.92). Overall, the proposed 2D radiomics approach enabled the assessment of RMF in the absence of contrast agents, configuring itself as a potential decision support tool to selectively guide further evaluation with Gd.

La cardiomiopatia dilatativa (CMD) è frequentemente associata alla presenza di fibrosi miocardica sostitutiva (FMS), tipicamente localizzata negli strati medio miocardici e/o sub-epicardici, ed è stata riportata fino al 45% dei casi. La risonanza magnetica cardiovascolare (CMR) con late gadolinium enhancement (LGE) rappresenta il gold standard non invasivo per la valutazione del tessuto cicatriziale focale; tuttavia, l’impiego di agenti di contrasto a base di Gd solleva importanti problematiche legate alla sicurezza. L’esposizione al Gd è stata associata a reazioni immediate e rare ma potenzialmente gravi, a fibrosi sistemica nefrogenica (FSN) nei pazienti con grave insufficienza renale e a evidenze di deposito a lungo termine in organi e tessuti come cervello, ossa, fegato e pelle. Questo insieme di evidenze motiva lo sviluppo di approcci di imaging privi di contrasto e in grado di fornire informazioni diagnostiche comparabili. In questo studio è stato sviluppato un framework radiomico 2D per identificare la presenza di FMS nel ventricolo sinistro utilizzando immagini Cine CMR senza contrasto, sfruttando esclusivamente radiomiche statiche derivate dal frame telediastolico (ED). La radiomica è un approccio quantitativo che estrae numerose features all’interno di una regione di interesse (ROI), con l’obiettivo di catturare informazioni non percepibili ad occhio nudo. Negli ultimi anni sono state esplorate diverse strategie radiomiche per rilevare la FMS nel miocardio del ventricolo sinistro (MVS), a partire da immagini Cine 2D e 3D, evidenziando il potenziale di tali statistiche per questo compito. Molti studi hanno inoltre integrato caratteristiche aggiuntive, ad esempio derivate dal deep learning (DL). In questo lavoro è stato estratto un ampio set di radiomiche da immagini Cine 2D a seguito di una pipeline di preprocessing dedicata, non solo dal MVS ma anche dalla corrispondente cavità sanguinea, una ROI finora non sfruttata nel contesto della radiomica 2D. Il framework di machine learning (ML) proposto è stato strutturato in una sequenza di step, il cui elemento centrale è stata una comparazione sistematica di diverse strategie ibride di selezione delle features (FS), ampiamente raccomandate in radiomica ma ancora raramente applicate. Nessuno studio precedente sulla radiomica da Cine CMR per la rilevazione di tessuto cicatriziale ha confrontato esplicitamente più approcci di FS. Sono stati valutati diversi classificatori di ML, la cui selezione è stata guidata da regole predefinite e clinicamente motivate, orientate sia al raggiungimento di elevata sensibilità sia a prestazioni complessivamente più bilanciate. I risultati hanno confermato la capacità dei modelli radiomici da immagini Cine di rilevare la FMS partendo da entrambe le ROI. in particolare, tra le dieci feature selezionate per il modello finale, quattro appartenevano ai descrittori della cavità ematica. Il classificatore più promettente ha raggiunto una sensibilità a livello di slice pari a 0.84 e l’aggregazione a livello di paziente ha poi migliorato le prestazioni, azzerando i falsi negativi e ottenendo inoltre un’elevata specificità (0.92). Nel complesso, l’approccio di radiomica 2D proposto ha permesso di valutare la presenza di FMS senza l’impiego di mezzi di contrasto, configurandosi come potenziale strumento di supporto decisionale per guidare in modo selettivo la valutazione approfondita con Gd.