Estudio de la detección y clasificación de la transmuralidad del infarto de miocardio mediante análisis de imágenes de resonancia magnética cardiaca y algoritmos de aprendizaje máquina

Abstract

[ES] Las enfermedades cardiovasculares son la principal causa de muerte a nivel mundial. Solo en España fallecen cada año más de 10.000 personas debido a un infarto agudo de miocardio (IAM). Ante esta problemática, resulta vital realizar un diagnóstico temprano que permita suministrar el tratamiento más adecuado al paciente. El objetivo de este trabajo es el desarrollo de algoritmos de aprendizaje máquina que permitan detectar y clasificar la transmuralidad del infarto de miocardio mediante el análisis de imágenes de resonancia magnética cardíaca (CMR). Para ello, se realiza una segmentación de la región de interés en imágenes de CMR obtenidas mediante la técnica de realce tardío de gadolinio. Posteriormente, utilizando diferentes softwares de análisis de imagen de CMR, se obtienen 21 características de interés. Estas características contienen información sobre la deformación y torsión de las estructuras cardíacas, y se obtienen mediante el uso de diferentes técnicas de imagen, como CMR Feature Tracking y CMR Tagging. Una vez extraídas las características de interés, se almacenan en un fichero de datos. Tras esto, se definen, entrenan y validan los algoritmos de aprendizaje máquina en MATLAB, con el objetivo de crear diferentes modelos de clasificación que detecten la presencia de infartos. Inicialmente, se plantea un análisis multiclase, considerando tres clases (no infarto, infarto no transmural e infarto transmural). Sin embargo, los resultados obtenidos no son satisfactorios para el análisis multiclase, por lo que se plantea el problema como dos análisis binarios: detectar la presencia de infarto y, posteriormente, determinar su extensión. Con el objetivo de comparar diferentes algoritmos de aprendizaje máquina, se desarrollan cinco modelos. Para todos ellos, se estudian los resultados en términos de AUC, sensibilidad y especificidad. Según estos indicadores, se puede distinguir si se trata de un paciente sano, o si presenta daños en el tejido miocárdico. Los resultados obtenidos son prometedores para la detección y caracterización de la extensión del infarto de miocardio. Para el problema de la detección del infarto, los parámetros temporales se dibujan como relevantes a la hora de distinguir entre clases. Por otro lado, la deformación, particularmente en la dirección circunferencial, ha obtenido buenos resultados cuando se busca detectar la extensión del daño. A la vista de estos resultados, es posible afirmar que la utilización de técnicas de imagen y algoritmos de aprendizaje máquina tiene un gran potencial a la hora de detectar la presencia y extensión del infarto de miocardio.

[CA] Les malalties cardiovasculars són la principal causa de mort a nivell mundial. Només a Espanya moren cada any més de 10.000 persones a causa d’un infart agut de miocardi (IAM). Davant aquesta problemàtica, resulta vital realitzar un diagnòstic primerenc que permeta subministrar el tractament més adequat al pacient. L’objectiu d’aquest treball és el desenvolupament d’algorismes d’aprenentatge màquina que permeten detectar i classificar la transmuralidad de l’infart de miocardi mitjançant l’anàlisi d’imatges de ressonància magnètica cardíaca (CMR). Per a això, es realitza una segmentació de la regió d’interés en imatges de CMR obtingudes mitjançant la tècnica de realç tardà de gadolini. Posteriorment, utilitzant diferents softwares d’anàlisis d’imatge de CMR, s’obtenen 21 característiques d’interés. Aquestes característiques contenen informació sobre la deformació i torsió de les estructures cardíaques, i s’obtenen mitjançant l’ús de diferents tècniques d’imatge, com CMR Feature Tracking i CMR Tagging. Una vegada extretes les característiques d’interés, s’emmagatzemen en un fitxer de dades. Després d’això, es defineixen, entrenen i validen els algorismes d’aprenentatge màquina en MATLAB, amb l’objectiu de crear diferents models de classificació que detecten la presència d’infarts. Inicialment, es planteja una anàlisi multiclasse, considerant tres classes (no infart, infart no transmural i infart transmural). No obstant això, els resultats obtinguts no són satisfactoris per a l’anàlisi multiclasse, per la qual cosa es planteja el problema com dues anàlisis binàries: detectar la presència d’infart i, posteriorment, determinar l’extensió d’aquest. Amb l’objectiu de comparar diferents algorismes d’aprenentatge màquina, es desenvolupen cinc models. Per a tots ells, s’estudien els resultats en termes de AUC, sensibilitat i especificitat. Segons aquests indicadors, es pot distingir si es tracta d’un pacient sa, o si presenta danys en el teixit miocàrdic. Els resultats obtinguts són prometedors per a la detecció i caracterització de l’extensió de l’infart de miocardi. Per al problema de la detecció de l’infart, els paràmetres temporals es dibuixen com a rellevants a l’hora de distingir entre classes. D’altra banda, la deformació, particularment en la direcció circumferencial, ha obtingut bons resultats quan es busca detectar l’extensió del mal. A la vista d’aquests resultats, és possible afirmar que la utilització de tècniques d’imatge i algorismes d’aprenentatge màquina té un gran potencial a l’hora de detectar la presència i extensió de l’infart de miocardi.

[EN] Cardiovascular diseases are the leading cause of death worldwide. In Spain, more than 10,000 people pass away every year due to acute myocardial infarction (AMI). As a result of this problem, it is vital to make an early diagnosis that enables the most appropriate treatment to be provided for the patient. The objective of this project is the development of machine learning algorithms to facilitate the detection and classification of myocardial infarction transmurality by studying cardiac magnetic resonance images (CMR). For this purpose, the region of interest is segmented in CMR images acquired with the late gadolinium enhancement (LGE) technique. Subsequently, using different CMR image analysis softwares, 21 features are obtained. These features or predictors contain information on the cardiac deformation and torsion, and are obtained with different imaging techniques, as CMR Feature Tracking and CMR Tagging. Once the features of interest have been extracted, they are stored in a dataset. After, machine learning algorithms are defined, trained, and validated in MATLAB, with the aim of creating different classification models that detect the presence of heart attacks. Initially, a multiclass analysis is proposed, considering three classes (noninfarction, non-transmural infarction, and transmural infarction). However, the results obtained are not satisfactory for the multiclass analysis, and, therefore, the problem is posed as two binary analyses: first, detecting the presence of infarction and, later, determining its extension. In order to compare different machine learning algorithms, five models are developed. For all of them, the results are studied in terms of AUC, sensitivity, and specificity. According to these indicators, it is possible to distinguish if the patient is healthy, or if the myocardial tissue is damaged. The results obtained are promising for the detection and characterization of the extent of myocardial infarction. For the problem of infarction detection, the temporal parameters are considered relevant when distinguishing between classes. On the other hand, strain, particularly in the circumferential axe, has performed well when seeking to detect the extent of the damage. Regarding these results, it is possible to state that the use of imaging techniques and machine learning algorithms has great potential when it comes to detecting the presence and extent of myocardial infarction.