Discriminación de enfermedades cardiacas utilizando patrones cinemáticos codificados con convoluciones 3D en secuencias de cine-RM
Resumen
Introducción. Las secuencias del cine-resonancia magnética (cine-MRI, cine magnetic resonance imaging) son una herramienta diagnóstica clave para visualizar la información anatómica que les permite a los expertos localizar y determinar aquellas anomalías que resulten sospechosas. No obstante, este análisis sigue siendo subjetivo y propenso a errores de diagnóstico.
Objetivo. Desarrollar una clasificación binaria y multiclase, considerando diferentes condiciones cardiacas, mediante un modelo espaciotemporal que permita resaltar los movimientos cinéticos para caracterizar cada enfermedad.
Materiales y métodos. Este estudio se centra en el uso de una representación de convolución 3D para caracterizar los patrones cinéticos durante el ciclo cardiaco que puedan estar asociados con enfermedades. Para ello, se obtienen mapas cinéticos a partir de mapas de velocidad aparente, calculados mediante una estrategia de flujo óptico denso. A continuación, un esquema de convolución 3D "aprende" a diferenciar patologías a partir de mapas cinemáticos.
Resultados. La estrategia propuesta se validó según la capacidad de discriminar entre infarto de miocardio, miocardiopatía dilatada, miocardiopatía hipertrófica, ventrículo derecho anormal y un examen normal. El método propuesto alcanza una precisión media del 78,0 % y una puntuación F1 score del 75,55 %. Asimismo, el enfoque alcanzó el 92,31 % de precisión para la clasificación binaria entre enfermedades y casos de control.
Conclusiones. El método propuesto es capaz de apoyar la identificación de patrones cinéticos anormales asociados con una condición patológica. El descriptor resultante, aprendido de la red de convolución 3D, conserva correlaciones espaciotemporales detalladas y podría surgir como posible biomarcador digital de enfermedades cardiacas.
Descargas
Referencias bibliográficas
World Health Organization. World Health Statistics 2021. Geneva: World Health Organization; 2021.
Cetin I, Sanroma G, Petersen SE, Napel S, Camara O, Ballester MA, et al. A radiomics approach to computer-aided diagnosis with cardiac cine-MRI. arXiv. 2019:1909.11854v1. https://doi.org/10.48550/arXiv.1909.11854
Chang Y, Jung C. Automatic cardiac MRI segmentation and permutation-invariant pathology classification using deep neural networks and point clouds. Neurocomputing. 2020;418:270-9. https://doi.org/10.1016/j.neucom.2020.08.0
Chang Y, Song B, Jung C, Huang L. Automatic segmentation and cardiopathy classification in cardiac MRI images based on deep neural networks. ICASSP. 2018;1020-4. https://doi.org/10.1109/ICASSP.2018.8461261
Khened M, Kollerathu VA, Krishnamurthi G. Fully convolutional multi-scale residual DenseNets for cardiac segmentation and automated cardiac diagnosis using ensemble of classifiers. Med Image Anal. 2019;51:21-45. https://doi.org/10.1016/j.media.2018.10.004
Puyol-Anton E, Ruijsink B, Gerber B, Amzulescu MS, Langet H, De Craene M, et al. Regional multi-view learning for cardiac motion analysis: Application to identification of dilated cardiomyopathy patients. IEEE Trans Biomed Eng. 2019;66:956-66. https://doi.org/10.1109/TBME.2018.2865669
Yang D, Wu P, Tan C, Pohl KM, Axel L, Metaxas DN. 3D motion modeling and reconstruction of left ventricle wall in cardiac MRI. Funct Imaging Model Heart. 2017:10263:481-92. https://doi.org/10.1007/978-3-319-59448-4_46
Isensee F, Jaeger PT, Full PM, Wolf I, Engelhardt S, Maier-Hein KH. Automatic cardiac disease assessment on cine-MRI via time-series segmentation and domain specific features. arXiv.2017:1707.00587v2. https://doi.org/10.48550/arXiv.1707.00587
Wolterink JM, Leiner T, Viergever MA, Išgum I. Automatic segmentation and disease classification using cardiac cine MR images. arXiv. 2017:1708.01141v1. https://doi.org/10.48550/arXiv.1708.01141
Qin C, Bai W, Schlemper J, Petersen SE, Piechnik SK, Neubauer S, et al. Joint motion estimation and segmentation from undersampled cardiac MR image. arXiv. 2019:1908.07623v1. https://doi.org/10.48550/arXiv.1908.07623
Zhen X, Wang Z, Islam A, Bhaduri M, Chan I, Li S. Multi-scale deep networks and regression forests for direct bi-ventricular volume estimation. Medical Image Analysis. 2016;30:120-9. https://doi.org/10.1016/j.media.2015.07.003
Punithakumar K, Ben Ayed I, Islam A, Goela A, Ross IG, Chong J, et al. Regional heart motion abnormality detection: An information theoretic approach. Medical Image Analysis. 2013;17:311-24. https://doi.org/10.1016/j.media.2012.11.007
Zheng Q, Delingette H, Ayache N. Explainable cardiac pathology classification on cine MRI with motion characterization by semi-supervised learning of apparent flow. Medical Image Analysis. 2019;56:80-95. https://doi.org/10.1016/j.media.2019.06.001
Brox T, Malik J. Large displacement optical flow: Descriptor matching in variational motion etimation. IEEE Trans Pattern Anal Mach Intell. 2011;33:500-13. https://doi.org/10.1109/TPAMI.2010.143
Varol G, Laptev I, Schmid C. Long-term temporal convolutions for action recognition. IEEE Trans Pattern Anal Mach Intell. 2018;40:1510-1517. https://doi.org/10.1109/TPAMI.2017.2712608
Bernard O, Lalande A, Zotti C, Cervenansky F, Yang X, Heng PA, et al. Deep learning techniques for automatic MRI cardiac multi-structures segmentation and diagnosis: Is the problem solved? IEEE Trans Med Imaging. 2018;37:2514-25. https://doi.org/10.1109/TMI.2018.2837502
Broncano J, Bhalla S, Caro P, Hidalgo A, Vargas D, Williamson E, et al. Cardiac MRI in patients with acute chest pain. Radiographics. 2021;41:8-31. https://doi.org/10.1148/rg.2021200084
Fotaki A, Puyol-Antón E, Chiribiri A, Botnar R, Pushparajah K, Prieto C. Artificial intelligence in cardiac MRI: Is clinical adoption forthcoming? Front Cardiovasc Med. 2022:8:818765. https://doi.org/10.3389/fcvm.2021.818765
Clough JR, Oksuz I, Puyol-Antón E, Bram Ruijsink, King AP, Schnabel JA. Global and local interpretability for cardiac MRI classification. Springer. 2019; 1767 LNCS:656-64. https://doi.org/10.1007/978-3-030-32251-9_72
Derechos de autor 2024 Biomédica
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Datos de los fondos
-
Vicerrectoría de Investigación y Extensión, Universidad Industrial de Santander
Números de la subvención 2703;Predicción de patologías cardíacas utilizando representaciones de aprendizaje profundo en secuencias de resonancia magnética cardíaca (CMR)
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
