Diseño y desarrollo de un sistema para la segmentación semántica de la cavidad auricular mediante una arquitectura de red neuronal encoder-decoder

Abstract

[ES] La fibrilación auricular (FA) es una arritmia supraventricular caracterizada por una actividad eléctrica caótica y desorganizada que conduce a una contracción irregular. La FA es la arritmia cardíaca más común y su prevalencia aumenta con el envejecimiento de la población. Actualmente, la ablación cardíaca es el principal tratamiento de la FA. Para guiar y planificar este tratamiento es esencial que los médicos tengan acceso a modelos 3D de la anatomía auricular que sean específicos del paciente. Para ello, en la práctica clínica se segmentan manualmente las aurículas lo que requiere una intensiva labor. El objetivo de este proyecto es desarrollar algoritmos automáticos para la segmentación de la aurícula izquierda y derecha, a partir de imágenes volumétricas de Resonancia Magnética (RM), mediante el empleo de técnicas de Deep Learning. En este proyecto se han utilizado redes neuronales con la arquitectura encoder-decoder para obtener una segmentación precisa, píxel a píxel, de la aurícula a partir de imágenes 3D de RM. Mientras que la mayoría de los estudios en esta área concentran sus esfuerzos en la segmentación de la aurícula izquierda (AI), el objetivo de este proyecto ha sido obtener un modelo de segmentación capaz también de segmentar la aurícula derecha (AD) a partir de pocas muestras anotadas. Con este fin, se entrenó a la red con 2 bases de datos. La primera base de datos está compuesta de 100 imágenes volumétricas de RM con segmentaciones manuales o ground-truth de AI y se utilizó para obtener un modelo de alto rendimiento para posterior aplicación de técnicas deep fine-tuning. La segunda base de datos está compuesta de 19 imágenes volumétricas de RM de alta variabilidad con segmentaciones anotadas de ambas cavidades auriculares y se utilizó para verificar la precisión de segmentación de la red para AI y AD a partir de pocas muestras anotadas. Además, la alta capacidad de generalización obtenida por el modelo formado con la segunda base de datos se verificó con una base de datos externa de sólo ground-truth de AI (tercera base de datos). Para comparar la segmentación predicha con los datos etiquetados se calculó un coeficiente de similitud, también denominado Dice coefficent que se comparó con la literatura existente. Además, se emplearon librerías de visualización volumétrica y reconstrucción para obtener la anatomía de la cavidad auricular. Los resultados obtenidos son muy prometedores. El modelo desarrollado fue capaz de segmentar con precisión la AD con un Dice coefficient de 0,9160 cuando se implementan técnicas de deep fine-tuning. Además, el modelo obtenido con la base de datos 2 demostró una capacidad de generalización muy alta cuando se evaluó con la tercera base de datos obteniendo un Dice coefficient de 0,8515 para la segmentación de AI.

[EN] Atrial Fibrillation (AF) is a supraventricular arrythmia characterised by a chaotic and disorganised electrical activity which leads to an irregular contraction. AF is the most common cardiac arrythmia and its prevalence increases with the ageing population. It is estimated that there are currently 4.5 million cases in Europe. Currently, cardiac ablation is the main treatment procedure for AF treatment. To guide and plan this procedure it is essential for clinicians to obtain 3D anatomical reconstruction models of the atria which are patient specific. In clinical practice the atria is manually delineated which is a labour-intensive method. The aim of this project is to develop automatic algorithms with employment of Deep Learning (DL) techniques for left and right atrium segmentation from MRI volumetric images. In this project neural networks have been used with encoder-decoder architecture to provide accurate pixel-wise segmentation of the atria from 3D MRI images. Whilst most studies in this area concentrate their efforts in left atrium (LA) segmentation the aim of this project was to obtain a segmentation model also capable of accurate right atrium (RA) segmentation from few annotated data. For this purpose, the network was trained with 2 databases. The first database consisted of 100 volumetric MRI images with LA ground-truth segmentations and was used to obtain a high-performance model for posterior deep fine-tuning techniques. The second database consisted of 19 volumetric MRI images of high variability with ground-truth segmentation of both atria cavities and was used to verify the segmentation accuracy of the network for LA and RA from few annotated samples. Furthermore, the high generalisation capacity obtained by the model trained with the second database was verified with an external database of only LA ground-truth. To compare the predicted segmentation with the labelled data a similarity coefficient was computed from them and was compared with the existing literature. In addition, volumetric visualization and reconstruction libraries were employed to obtain the anatomy of the atria cavity. The results obtained are very promising. The second database model was capable of accurately segmenting the RA with a dice coefficient of 0.9160 when fine tuning techniques are implemented. Furthermore, the model created with database 2 demonstrated a very high generalisation capacity when tested with the third database obtaining a dice coefficient of 0.8515 for LA segmentation.