Desarrollo de una herramienta para el cálculo de la entropía en imágenes de resonancia magnética cardíaca

Abstract

[ES] La miocardiopatía dilatada (MCD) representa el tipo de miocardiopatía más común en la población global con una prevalencia de 1:2500 y constituye una causa importante de morbimortalidad cardiovascular, por insuficiencia cardíaca congestiva o arritmias. La MCD puede definirse como una patología, de etiología genética o no genética, que afecta principalmente al ventrículo izquierdo (VI) del corazón provocando su incapacidad para mantener una función sistólica adecuada, acompañada de una dilatación ventricular compensatoria. La MCD se caracteriza por un remodelado estructural basado en fibrosis del VI, que se acompaña de un remodelado eléctrico. El desarrollo de fibrosis en pacientes con MCD se asocia a un peor pronóstico, con mayor mortalidad y eventos (arritmias, fallo cardíaco o muerte súbita). En la actualidad, los dos principales parámetros utilizados para estratificar el riesgo cardíaco en estos pacientes son la fracción de eyección (FE) < 35\% o la presencia de extensión de realce tardío de gadolinio. Estas técnicas presentan diferentes limitaciones que conllevan la necesidad de encontrar nuevos parámetros predictores de riesgo cardíaco. La principal limitación del uso del realce tardío de gadolinio es que es una medida relativa (es necesario considerar que una zona de miocardio está sana para utilizar como referencia) y por ello sólo se evalúan las zonas con realce haciendo que se pierda mucha información del estado del miocardio globalmente. La medición de la entropía del miocardio ventricular permite evaluar su heterogeneidad en secuencias de realce tardío independientemente del umbral de intensidad del mismo. Estudios previos han mostrado que valores altos de entropía pueden estar relacionados con un peor pronóstico en pacientes con MCD. En la literatura no se especifica el rango de intensidades más adecuado para llevar a cabo el cálculo de la entropía, solo se establece un rango predefinido para todos los pacientes sin justificar la razón de su elección. Además, aunque existen diversos algoritmos para el cálculo de entropía, muy pocos han sido desarrollados a modo de interfaz gráfica. Por todo ello, se busca desarrollar una interfaz capaz de calcular la entropía empleando el rango más óptimo a partir de secuencias de cardiorresonancia magnética (CRM) de realce tardío de gadolinio. También se pretende evaluar la capacidad de la entropía para detectar cambios en el tejido que permitan clasificar pacientes sanos y con MCD. Asimismo, también se pretende comparar la capacidad de clasificación de la entropía con los parámetros de diagnóstico de la MCD derivados de la CRM utilizados habitualmente en la práctica clínica. Para ello, se utilizará una base de datos compuesta por 80 pacientes de los cuales 40 son sanos y 40 presentan MCD. Cada paciente consta de dos secuencias de imagen: cine en eje corto y t1 psir con realce tardío de gadolinio. Para llevar a cabo el desarrollo de la interfaz gráfica, se obtendrá la región de interés (ROI) para cada paciente a partir de las imágenes de realce tardío de gadolinio. A partir de estas ROIs se realizará un preprocesado de las mismas para obtener diferentes rangos de intensidad. Seguidamente, se calculará la entropía de la ROI para cada rango de intensidad extraído y, tras esto, se extraerán las características de los parámetros de diagnóstico de la MCD a partir de las imágenes de secuencia cine en eje corto. Con las características de entropía y de los parámetros diagnósticos de la MCD extraídas se desarrollarán modelos de machine learning para obtener el mejor rango de intensidades para la entropía y para comparar el rendimiento de ésta con los parámetros de diagnóstico habituales a la hora de discernir entre sanos y patológicos. Los resultados de los modelos son evaluados mediante el área bajo la curva ROC (AUC). Para el análisis de la entropía el mejor resultado se obtiene para los rangos de intensidad de 128, 256 y 1024 niveles de gris (NG) con un AUC del 87,2% en validación. P

[EN] Dilated cardiomyopathy (DCM) is the most common type of cardiomyopathy globally, with a prevalence of 1:2500, and it constitutes a significant cause of cardiovascular morbidity and mortality, mainly due to congestive heart failure or arrhythmias. DCM can be defined as a condition, with either genetic or non-genetic etiology, that primarily affects the left ventricle (LV) of the heart, impairing its ability to maintain proper systolic function, accompanied by compensatory ventricular dilation.

DCM is characterized by structural remodeling based on LV fibrosis, which is accompanied by electrical remodeling. The development of fibrosis in DCM patients is associated with a worse prognosis, including higher mortality and events such as arrhythmias, heart failure, or sudden death. Currently, the two main parameters used to stratify cardiac risk in these patients are an ejection fraction (EF) < 35% or the presence of late gadolinium enhancement (LGE) extension. These techniques have limitations, highlighting the need to identify new predictors of cardiac risk. The primary limitation of using LGE is that it is a relative measure (requiring a healthy myocardial area for reference), which results in only enhanced areas being evaluated, thus losing a significant amount of information about the overall myocardial condition.

Measuring the entropy of the ventricular myocardium allows for the assessment of its heterogeneity in LGE sequences, independent of the intensity threshold. Previous studies have shown that high entropy values may be related to worse prognosis in DCM patients. However, the literature does not specify the most appropriate intensity range for entropy calculation, instead using a predefined range for all patients without justification for this choice. Additionally, although there are various algorithms for entropy calculation, very few have been developed as graphical interfaces. Therefore, the aim is to develop an interface capable of calculating entropy using the optimal range from gadolinium-enhanced cardiac magnetic resonance (CMR) sequences. Another goal is to evaluate the capacity of entropy to detect tissue changes that enable the classification of healthy and DCM patients. Furthermore, the study aims to compare entropy's classification ability with commonly used diagnostic parameters for DCM derived from CMR in clinical practice.

A database consisting of 80 patients will be used, of which 40 are healthy, and 40 have DCM. Each patient will have two image sequences: short-axis cine and T1 PSIR with gadolinium-enhanced LGE. For the development of the graphical interface, the region of interest (ROI) will be obtained for each patient from the LGE images. These ROIs will undergo preprocessing to obtain different intensity ranges. Subsequently, entropy will be calculated for each extracted intensity range, and then the diagnostic parameters of DCM will be extracted from the short-axis cine sequence images. With the extracted entropy characteristics and DCM diagnostic parameters, machine learning models will be developed to determine the best intensity range for entropy and to compare its performance with usual diagnostic parameters in distinguishing between healthy and pathological patients.

The models' results are evaluated using the area under the ROC curve (AUC). For entropy analysis, the best result is obtained for intensity ranges of 128, 256, and 1024 grayscale (GS) levels, with an AUC of 87.2% in validation. Subsequently, the best result for classifying healthy and DCM patients is achieved by combining the four most relevant characteristics of DCM diagnostic parameters with the entropy of 1024 GS, chosen as the best range, resulting in a 100% AUC in validation. Finally, a graphical interface has been successfully developed that calculates entropy in CMR images for the 1024 GS range.

Thus, the same entropy results are obtained for the 128, 256, and 1024 GS ranges. However, the 1024 GS range allows for a m