Segmentación y Extracción de Biomarcadores Bi-Auriculares Automática a partir de RM con Gadolinio Tardío Mediante Aprendizaje Profundo | JoVE Visualize

Área de la Ciencia:

Imagen Cardiovascular
Inteligencia Artificial en Medicina
Ingeniería Biomédica

Sus antecedentes:

La fibrilación auricular (FA) implica remodelación auricular progresiva, incluida dilatación y fibrosis, que afecta la eficacia del tratamiento.
La RM con gadolinio tardío (RM con GC tardío) cuantifica la fibrosis de la aurícula izquierda (AI), pero carece de una segmentación robusta para ambas aurículas y una evaluación precisa de biomarcadores.
Los métodos actuales a menudo excluyen la aurícula derecha (AD) y luchan con una caracterización anatómica y fibrótica precisa.

Objetivo del estudio:

Presentar biAtriaNet, un pipeline de aprendizaje profundo para la segmentación automatizada y la extracción de biomarcadores de RM con GC tardío de AI y AD.
Evaluar la fibrosis auricular, el grosor de la pared auricular (GPC) y las dimensiones/volúmenes de las cámaras para mejorar la guía de ablación de FA.
Desarrollar una herramienta robusta para estrategias de tratamiento de FA específicas del paciente.

Principales métodos:

Se desarrolló biAtriaNet, un pipeline de aprendizaje profundo que utiliza dos CNN con una arquitectura U-Net modificada, conexiones residuales y normalización por lotes.
Se entrenó y validó en RM cine 2D (UK Biobank, n=4860) y RM con GC tardío 3D (Universidad de Utah, n=60).
Se probó de forma independiente en 11 RM con GC tardío 3D (Hospital Waikato, Nueva Zelanda), comparando con anotaciones de expertos y la verdad fundamental.

Principales resultados:

biAtriaNet logró una alta precisión de segmentación (puntuaciones de Dice: AI 91,1%, AD 88,6%) y transferibilidad a conjuntos de datos independientes.
Las mediciones del volumen de la cámara y del GPC demostraron una alta precisión (>90% y 95,9% para AI, 94,6% para AD, respectivamente).
Las estimaciones de fibrosis mostraron fuertes correlaciones (Kolmogorov-Smirnov: AI 86,3%, AD 90,6%, p < 0,05).

Conclusiones:

biAtriaNet permite una segmentación y extracción de biomarcadores bi-auriculares precisas y automatizadas a partir de RM con GC tardío.
El pipeline proporciona una cuantificación fiable de la anatomía y la fibrosis auriculares, crucial para el manejo de la FA.
Esta herramienta tiene un potencial significativo para mejorar las estrategias de ablación de FA específicas del paciente y mejorar los resultados clínicos.