Quantificação automática de deformação do ventrículo esquerdo cardíaco em imagens de ressonância magnética.

• Autor(a) principal: Graves, Catharine de Vita
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3154/tde-26102023-092629/
• topic: Aprendizado profundo; Cardiac motion; Deep learning; Deformação do miocárdio; Doenças cardiovasculares; Movimento cardíaco; Myocardium deformation

Sistemas que possibilitam a prevenção ou auxílio no diagnóstico de doenças cardiovasculares podem contribuir para a redução da mortalidade por essas condições, que são as principais causas de morte no mundo. A quantificação precisa dos parâmetros cardíacos permite o acesso a dados fundamentais para o diagnóstico de cardiomiopatias e também possibilita a avaliação da eficácia dos tratamentos. As cardiomiopatias podem ser avaliadas utilizando imagens de ressonância magnética cardíaca (RMC), que é considerada a técnica de imagem padrão-ouro para acessar a função cardíaca e a deformação (strain) cardíaca. A deformação do miocárdio fornece informações adicionais para prever prognóstico de um paciente. No entanto, quantificar a deformação em imagens de RMC é uma tarefa desafiadora, e inúmeras discrepâncias inter e intramodalidade dificultam sua adoção na prática clínica. Os métodos mais populares para determinar a deformação do miocárdio geralmente envolvem a segmentação manual ou semi-automatizada, seguida pelo rastreamento de movimento. Mesmo quando realizada por um especialista qualificado, a segmentação do miocárdio é um processo demorado e custoso para ser concluído. Além disso, nas imagens de RMC cardíaca, a intensidade uniforme de brilho altamente no interior do miocárdio dificulta a segmentação correta das paredes cardíacas, o que limita os métodos de rastreamento de movimento disponíveis atualmente. Um subconjunto das técnicas de aprendizado de máquina, conhecido como aprendizado profundo (AP), demonstrou um potencial considerável em uma variedade de aplicações médicas. Como não depende da interação e subjetividade humana, a aplicação de abordagens AP pode melhorar o desempenho da quantificação de parâmetros do miocárdio, como a deformação, com possivelmente redução da variabilidade. Como o modelo de AP treinado é determinístico, os resultados de análises sucessivas da mesma imagem são consistentes. Neste trabalho, propusemos e avaliamos um novo método baseado em AP para quantificar a deformação miocárdica em RMC com sequência de pulso do tipo 2D-SSFP. Desenvolvemos uma sequência híbrida que utiliza AP supervisionado e não-supervisionado para automatizar as tarefas envolvidas na segmentação do músculo cardíaco e na estimativa do seu movimento. Investigamos a generalizabilidade de um método de segmentação de AP supervisionado para delinear o músculo cardíaco e usamos um modelo de AP não supervisionado para rastrear o movimento no ventrículo esquerdo em imagens de ressonância magnética cinética 3D reais e sintéticas. Por fim, investigamos a relação entre o miocárdio segmentado e o movimento estimado no músculo para quantificar a deformação do miocárdio. Os resultados deste estudo demonstram o potencial das abordagens baseadas em AP para automatizar e melhorar a precisão da quantificação da deformação miocárdica. A sequência proposta mostrou resultados promissores na segmentação precisa do músculo cardíaco e no rastreamento do seu movimento, o que pode auxiliar no diagnóstico e monitoramento de doenças cardíacas, reduzir a necessidade de intervenção manual e economizar tempo. Em geral, este trabalho destaca o potencial do AP em melhorar a precisão e eficiência da análise de imagens cardíacas.