Mejorar la evaluación de la función cardíaca: Desarrollo y validación de un marco adaptativo de dominio para...

Área de la Ciencia:

• Análisis de imágenes médicas
• Aprendizaje profundo en cardiología
• Técnicas de segmentación de imágenes

Sus antecedentes:

• La segmentación precisa de la imagen ecocardiográfica es crucial para la evaluación de la función cardíaca, incluido el cálculo de la fracción de eyección.
• Los modelos de aprendizaje profundo enfrentan desafíos en la ecocardiografía debido a la discrepancia de dominio, los datos ruidosos y la variabilidad anatómica.
• Los métodos existentes luchan con diversas condiciones y modalidades de imagen.

Objetivo del estudio:

• Proponer y validar un marco de segmentación adaptativa de dominio para la segmentación automatizada de imágenes ecocardiográficas.
• Mejorar la robustez de los modelos de segmentación en diversas condiciones y modalidades de imagen.
• Abordar las limitaciones de los enfoques actuales de aprendizaje profundo en el análisis de imágenes cardíacas.

Principales métodos:

• Integración de un codificador automático variacional (VAE) para la representación latente estructurada y una Wasserstein GAN (WGAN) para la alineación de dominios.
• Utilizó convoluciones separables en profundidad para la eficiencia computacional y capas PixelShuffle para la reconstrucción de alta resolución.
• Evaluado en múltiples conjuntos de datos (CAMUS, EchoNet-Dynamic, Heshmat Hospital) utilizando puntajes de dados, índices de Jaccard y distancias de Hausdorff, con evaluación cualitativa del cardiólogo.

Principales resultados:

• Logró puntuaciones de dados superiores: 84.6% (CAMUS → EchoNet-Dynamic) y 89.1% (EchoNet-Dynamic → CAMUS), superando el estado de los métodos de adaptación de dominio sin supervisión (UDA).
• Mantuvo un buen rendimiento en un conjunto de datos locales externos (Hospital Heshmat), con puntuaciones de Dice de 83,0% y 84,1%.
• Todos los resultados demostraron una significación estadística (p < 0,01) en comparación con los métodos de referencia.

Conclusiones:

• El marco UDA propuesto avanza significativamente la segmentación ecocardiográfica al manejar efectivamente la discrepancia de dominio, los datos ruidosos y la variabilidad anatómica.
• Este sólido marco ofrece una herramienta fiable para mejorar la evaluación de la salud cardíaca.
• El estudio destaca el potencial para la segmentación automatizada y precisa en cardiología clínica.