Radlovacki Parisi, Yhibo B. (2022) Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas / Estimation of myocardial strain in nuclear magnetic resonance imaging deep convolutional networks. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro.
![[img]](/style/images/fileicons/application_pdf.png)
| PDF (Tesis) Español 21Mb |
Resumen en español
Las enfermedades cardiovasculares representan la principal causa de muerte en el mundo. La detección temprana, el seguimiento y tratamiento de estas enfermedades es muy importante para mejorar la calidad de vida de las personas que las padecen. Para esos propósitos, es útil cuantificar la función cardíaca. El esfuerzo y la tasa de deformación miocárdicos representan indicadores de la función cardíaca global y regional. En este trabajo se desarrolló un método para la estimación del esfuerzo y la tasa de deformación miocárdicos a partir de imágenes de resonancia magnética de eje corto en modalidad cine utilizando técnicas de aprendizaje profundo. Para la estimación del movimiento cardíaco se desarrolló una red neuronal basada en la red CarMEN utilizada en el método DeepStrain. Se modificó la arquitectura de la red agregando bloques de atención. Los resultados de la estimaci´on de movimiento de los puntos materiales del ventr´ıculo izquierdo con la t´ecnica propuesta muestran que es adecuada para su cuantificación. El error telesistólico en la base de datos cMAC es 5,60±2,38 mm siendo comparable a los métodos pertenecientes al estado del arte. El tiempo de ejecución del método para estimar el movimiento disminuyó en casi un orden de magnitud con respecto a Demons, método usado anteriormente en el grupo de investigación en el que se realizó el proyecto. Las curvas de esfuerzo y tasa de deformación que se obtienen con el método fueron analizadas y se concluyó que su forma se corresponde a la forma de las curvas presentes en la bibliografía. Además los valores de esfuerzo circunferencial y radial producidos por el método para pacientes sanos se corresponden a los valores reportados por la mayoría de estudios. En cambio, el strain longitudinal resultó subestimado. Los resultados obtenidos muestran que el método desarrollado presenta potencial para computar el esfuerzo miocárdico radial y circunferencial a partir de imágenes de resonancia magnética de eje corto en modalidad cine.
Resumen en inglés
Cardiovascular diseases represent the main cause of death in the world. Early detection, monitoring and treatment of these diseases is very important to improve the quality of life of people who suffer from them. For those purposes, it is useful to quantify cardiac function. Myocardial strain and strain rate represent indicators of global and regional cardiac function. In this work, a method was developed to estimate myocardial strain and strain rate from short-axis cine magnetic resonance images using deep learning techniques. For the estimation of cardiac motion, a neural network based on the CarMEN network used in DeepStrain method was developed. The results of the movement estimation of the material points of the left ventricle with the proposed technique show that it is adequate for cardiac motion estimation. The telesystolic error in the cMAC database is 5.60 ± 2.38 mm, which is comparable to state of the art methods. The execution time of the method for estimating motion decreased by almost an order of magnitude with respect to Demons, the method previously used in the research group in which the project was carried out. The strain and strain rate curves obtained with the method were analyzed. It was concluded that their shape corresponds to the shape of the curves found in the literature. In addition, the values of circumferential and radial strain produced by the method for healthy patients correspond to the values reported by most studies. However the longitudinal strain was underestimated. The results obtained show that the developed method has the potential to compute radial and circumferential myocardial strain from short-axis cine magnetic resonance images.
| Tipo de objeto: | Tesis (Proyecto Integrador Ingeniería en Telecomunicaciones) |
|---|---|
| Palabras Clave: | Myocardium; Miocardio; Magnetic resonance; Resonancia magnética; [Myocardial strain; Esfuerzo miocárdico; Myocardial strain rate; Tasa de deformación miocárdica; Deep learning; Redes convolucionales profundas; Cardiac function; Función cardiaca] |
| Referencias: | [1] Wikipedia, the free encyclopedia. Diagram of the human heart: Rhcastilhos / derivative work: Ortisa, public domain, via wikimedia commons, 2010. URL https://commons.wikimedia.org/ wiki/File:Diagram_of_the_human_heart_(cropped)_es.svg, [En l´ınea; accedido el 6 de Noviembre de 2022]. vii, 8 [2] adh30 revised work by DanielChangMD who revised original work of DestinyQx; Redrawn as SVG by xavax. Wiggers diagram., 2016. URL https://commons.wikimedia.org/wiki/File:Wiggers_Diagram_2.svg, [En l´ınea; accedido el 6 de Noviembre de 2022]. vii, 9 [3] Cuariale, A. H. Contribuciones a la cuantificaci´on de insuficiencias cardíacas mediante el análisis y procesado de ecocardiografías. Tesis Doctoral, Universidad de Valladolid, 2015. vii, vii, 10, 11 [4] Morales, M. A., van den Boomen, M., Nguyen, C., Kalpathy-Cramer, J., Rosen, B. R., Stultz, C. M., et al. DeepStrain: A deep learning workflow for the automated characterization of cardiac mechanics. Frontiers in Cardiovascular Medicine, 8, sep. 2021. URL https://doi.org/10.3389/fcvm.2021.730316. vii, 5, 18, 35, 36, 43 [5] Bernardo, A. Estimación del esfuerzo miocárdico a partir del procesado de imágenes médicas. Proyecto Fin de Carrera, Instituto Balseiro, 2020. viii, 40 [6] Tsao, C. W., Aday, A. W., Almarzooq, Z. I., Alonso, A., Beaton, A. Z., Bittencourt, M. S., et al. Heart disease and stroke statistics—2022 update: A report from the american heart association. Circulation, 145 (8), feb. 2022. URL https://doi.org/10.1161/cir.0000000000001052. 1 [7] Duncan, A. E. Strain assessment of myocardial function. Anesthesia & Analgesia, 121 (6), 1422–1424, dic. 2015. URL https://doi.org/10.1213/ane.0000000000001026. 2 [8] Pulido, J. N., Afessa, B., Masaki, M., Yuasa, T., Gillespie, S., Herasevich, V., et al. Clinical spectrum, frequency, and significance of myocardial dysfunction in severe sepsis and septic shock. Mayo Clinic Proceedings, 87 (7), 620–628, jul. 2012. URL https://doi.org/10.1016/j.mayocp. 2012.01.018. 2 [9] Vieillard-Baron, A., Caille, V., Charron, C., Belliard, G., Page, B., Jardin, F. Actual incidence of global left ventricular hypokinesia in adult septic shock. Critical Care Medicine, 36 (6), 1701–1706, jun. 2008. URL https://doi.org/10.1097/ccm.0b013e318174db05. 2 [10] Furian, T., Aguiar, C., Prado, K., Ribeiro, R. V. P., Becker, L., Martinelli, N., et al. Ventricular dysfunction and dilation in severe sepsis and septic shock: Relation to endothelial function and mortality. Journal of Critical Care, 27 (3), 319.e9–319.e15, jun. 2012. URL https://doi.org/10.1016/j.jcrc.2011.06.017. 2 [11] Hor, K. N., Gottliebson, W. M., Carson, C., Wash, E., Cnota, J., Fleck, R., et al. Comparison of magnetic resonance feature tracking for strain calculation with harmonic phase imaging analysis. JACC: Cardiovascular Imaging, 3 (2), 144–151, feb. 2010. URL https://doi.org/10.1016/j.jcmg.2009.11.006. 2 [12] Kerwin, W. S., Prince, J. L. Cardiac material markers from tagged MR images. Medical Image Analysis, 2 (4), 339–353, dic. 1998. URL https://doi.org/10.1016/s1361-8415(98)80015-7.2 [13] Cerqueira, M. D., Weissman, N. J., Dilsizian, V., Jacobs, A. K., Kaul, S., Laskey, W. K., et al. Standardized myocardial segmentation and nomenclature for tomographic imaging of the heart. Circulation, 105 (4), 539–542, ene. 2002. URL https://doi.org/10.1161/hc0402.102975. 3 [14] Latarjet, M., Testut, L. Compendio de anatomía descriptiva, 1997. 8 [15] Biga, L. M., Dawson, S., Harwell, A., Hopkins, R., Kaufmann, J., LeMaster, M., et al. Anatomy & Physiology. Open Oregon State., 2017. 9 [16] McRobbie, D. W., Moore, E. A., Graves, M. J., Prince, M. R. MRI from Picture to Proton. 2nd edition. Cambridge University Press, 2006. 11 [17] Sons, J. W. . 2-d and 3-d image registration for medical, remote sensing, and industrial applications, 2005. 14 [18] Sotiras, A., Davatzikos, C., Paragios, N. Deformable medical image registration: A survey. IEEE Transactions on Medical Imaging, 32 (7), 1153–1190, jul. 2013. URL https://doi.org/10.1109/tmi.2013.2265603. 14 [19] Qin, C., Bai, W., Schlemper, J., Petersen, S. E., Piechnik, S. K., Neubauer, S., et al. Joint motion estimation and segmentation from undersampled cardiac MR image. En: Machine Learning for Medical Image Reconstruction, págs. 55–63. Springer International Publishing, 2018. URL https://doi.org/10.1007/978-3-030-00129-2_7. 18 [20] Yu, H., Sun, S., Yu, H., Chen, X., Shi, H., Huang, T. S., et al. FOAL: Fast online adaptive learning for cardiac motion estimation. En: 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2020. URL https://doi.org/10.1109/cvpr42600.2020.00437. 18 [21] Ronneberger, O., Fischer, P., Brox, T. U-net: Convolutional networks for biomedical image segmentation. En: Lecture Notes in Computer Science, págs. 234–241. Springer International Publishing, 2015. URL https://doi.org/10.1007/978-3-319-24574-4_28. 18 [22] Shorten, C., Khoshgoftaar, T. M. A survey on image data augmentation for deep learning. Journal of Big Data, 6 (1), jul. 2019. URL https://doi.org/10.1186/s40537-019-0197-0. 21 [23] Charles A. Poynton (2003). Digital Video and HDTV: Algorithms and Interfaces. Morgan Kaufmann. pp. 260, 630. 21 [24] Bernard, O., Lalande, A., Zotti, C., Cervenansky, F., Yang, X., Heng, P.-A., et al. Deep learning techniques for automatic mri cardiac multi-structures segmentation and diagnosis: Is the problem solved? IEEE Transactions on Medical Imaging, 37 (11), 2514–2525, 2018. 23 [25] Tobon-Gomez, C., Craene, M. D., McLeod, K., Tautz, L., Shi, W., Hennemuth, A., et al. Benchmarking framework for myocardial tracking and deformation algorithms: An open access database. Medical Image Analysis, 17 (6), 632–648, ago. 2013. URL https://doi.org/10.1016/j.media.2013.03.008. 23 [26] Curiale, A. H., Bernardo, A., Cárdenas, R., Mato, G. CardIAc: an open-source application for myocardial strain analysis. International Journal of Computer Assisted Radiology and Surgery, 16 (1), 65–79, nov. 2020. URL https://doi.org/10.1007/s11548-020-02291-z. 24 [27] Fedorov, A., Beichel, R., Kalpathy-Cramer, J., Finet, J., Fillion-Robin, J.-C., Pujol, S., et al. 3d slicer as an image computing platform for the quantitative imaging network. Magnetic Resonance Imaging, 30 (9), 1323–1341, nov. 2012. URL https://doi.org/10.1016/j.mri.2012.05.001.24 [28] Dellazoppa, L. Un enfoque de aprendizaje profundo para la cuantificación de la función cardíaca. Proyecto Fin de Carrera, Instituto Balseiro, 2020. 25 [29] Dru, F., Vercauteren, T. An itk implementation of the symmetric log-domain diffeomorphic demons algorithm. HAL-INRIA, 2009. 36 [30] Tukey, J. W. Exploratory Data Analysis. Addison-Wesley series in behavioral science. quantitative methods. Upper Saddle River, NJ: Pearson, 1977. 36 [31] Amzulescu, M. S., Craene, M. D., Langet, H., Pasquet, A., Vancraeynest, D., Pouleur, A. C., et al. Myocardial strain imaging: review of general principles, validation, and sources of discrepancies. European Heart Journal - Cardiovascular Imaging, 20 (6), 605–619, mar. 2019. URL https://doi.org/10.1093/ehjci/jez041. 40, 46 [32] Voigt, J.-U., Cvijic, M. 2- and 3-dimensional myocardial strain in cardiac health and disease. JACC: Cardiovascular Imaging, 12 (9), 1849–1863, sep. 2019. URL https://doi.org/10.1016/j.jcmg.2019.01.044. 46 |
| Materias: | Medicina |
| Divisiones: | Gcia. de área de Investigación y aplicaciones no nucleares > Gcia. de Física > Física médica |
| Código ID: | 1149 |
| Depositado Por: | Tamara Cárcamo |
| Depositado En: | 09 Mar 2023 15:47 |
| Última Modificación: | 09 Mar 2023 15:47 |
Personal del repositorio solamente: página de control del documento
