Segmentación y Extracción de Biomarcadores Bi-Auriculares Automática a partir de RM con Gadolinio Tardío Mediante...

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.