Deep learning voor computer ondersteuning van diagnose gebaseerd op 3-dimensionale echocardiografie

Echocardiografie is de gepreferentieerde modaliteit voor de diagnostiek van hart- en vaatziekten (CVD), niet alleen vanwege het feit dat het niet-invasief, mobiel (zelfs draagbaar) en relatief goedkoop is, maar ook omdat het in real-time werkt aan een goede tijdsresolutie. Ondanks de klinische populariteit kan de interpretatie van afbeeldingen / geëxtraheerde parameters een uitdaging zijn; zelfs voor experten. Dankzij de ontwikkelingen van kunstmatige intelligentie en machine learning - waarmee complexe datapatronen kunnen worden gemodelleerd - kan dit probleem worden opgelost door een CAD-systeem (computer-aided diagnostic) te ontwerpen. Het algemene doel van dit doctoraatsproject is het ontwikkelen, valideren en klinisch testen van nieuwe leerstrategieën voor computerondersteunde interpretatie van driedimensionale (3D) echocardiografische gegevens. De belangrijkste vragen van dit project zijn of de implementatie van een CAD-systeem met behulp van echocardiografische gegevens via 'multi-task deep learning' haalbaar is en of de deep learning-strategie een toegevoegde waarde kan hebben ten opzichte van de beschikbare mechanistische benaderingen. Dit project heeft de drie hoofddoelen. Ontwikkeling van een 3D-segmentatie en tracking (d.w.z. tijdsregistratie) algoritme met behulp van ‘deep learning’ technieken om morfologische parameters van de linker ventrikel (LV) te extraheren en functionele kenmerken van het myocard te meten. Het vergelijken van de hierboven ontwikkelde algoritmen met in-house beschikbare softwaretools voor LV-segmentatie en bewegingsschatting op basis van 'mechanistische' benaderingen met behulp van gevalideerde experimentele en klinische databases en het modelleren van de gemeten morfologische en functionele kenmerken met behulp van de geavanceerde statistische leertechnieken en het combineren van de gemodelleerde functies om een CAD-systeem te bouwen. Om de doelstellingen van dit project te bereiken, zullen we een grote database met 3D echocardiografische beelden die beschikbaar is in het ‘Lab on Cardiovascular Imaging and Dynamics’ aan de Universiteit van Leuven retrospectief analyseren. In een eerste fase zal een deep learning-algoritme worden ontwikkeld voor segmentatie van de echocardiografische beelden door verder te bouwen op de allernieuwste algoritmen. In een tweede fase zal een mechanistisch 3D-segmentatie-algoritme dat is ontwikkeld in ons Lab op basis van B-spline expliciete actieve oppervlakken (BEAS) worden gebruikt om automatisch het myocard te segmenteren uit dezelfde volumetrische data. In een derde fase zullen de morfologische en functionele parameters berekend door ‘deep learning’ worden geëvalueerd door ze te contrasteren met de beschikbare referentie metingen omtrent myocardiale segmentatie en beweging. Ten slotte zal een gecombineerde vorm-functie-analyse worden uitgevoerd om lokale / globale functionele kenmerken voor lokale / globale belastingomstandigheden te corrigeren en tegelijkertijd morfologische en mechanische kenmerken van het hart te analyseren. De verkregen parameters zullen vervolgens worden gebruikt in een classificatiekader voor het voorspellen van belangrijke cardiale gebeurtenissen (bijv. Ziekenhuisopname door hartfalen of hartinfarct, electieve of dringende bypass van de kransslagader) bij patiënten in de DOPPLER-CIP-database.