А.Г. Левчук1, В.А. Фокин2, А.В. Рыжков3, М.С. Баев4, Д. Бендан5, В. Аль-Хайдри6, Е.А. Бруй7

1,6,7 ИТМО Университет (Санкт-Петербург, Россия)
2–4 ФГБУ «НМИЦ им. В.А. Алмазова» (Санкт-Петербург, Россия)
5 Университет Экс-Марсель, Национальный центр научных исследований, Центр магнитного резонанса в биологии и медицине (г. Марсель, Франция)
1 anatolii.levchuk@metalab.ifmo.ru, 2 vladfokin@mail.ru, 3 abanderos83@mail.ru, 4 mikael.baev@mail.ru, 5 david.bendahan@univ-amu.fr, 6 waleed.al.haidri@metalab.ifmo.ru, 7 katya.bruy@gmail.com

Постановка проблемы. Количественная характеризация фиброза миокарда по данным магнитно-резонансной томографии (МРТ) с отсроченным контрастированием используется для прогнозирования исходов сердечно-сосудистых заболеваний, выбора терапевтической и хирургической стратегии. В клинической практике для количественной оценки фиброза магнитно-резонансные изображения сердца, как правило, обрабатываются либо вручную, либо полуавтоматически (пороговыми методами), что требует значительных временных затрат специалиста.

Цель. Исследовать влияние способа предварительной подготовки двухмерных постконтрастных МР-изображений сердца пациентов с постинфарктным кардиосклерозом на эффективность нейросетевой сегментации миокарда левого желудочка и фиброзной ткани. Рассмотреть автоматизацию этапа подготовки изображений и создание полностью автоматического метода сегментации.

Результаты. Создан набор данных, состоящий из МР-изображений сердца с отсроченным контрастированием пациентов с признаками постинфарктного кардиосклероза с размеченными структурами здорового миокарда и полости левого желудочка, а также фиброза миокарда. На созданном наборе данных обучено несколько моделей нейронных сетей с целью автоматизации расчета относительного объема фиброза миокарда левого желудочка. Показано, что подготовка изображений вручную обеспечивает высокоточную сегментацию фиброза миокарда левого желудочка нейронной сетью с архитектурой U-Net. При этом было исследовано несколько вариантов такой подготовки и выявлены наиболее оптимальные, обеспечивающие сходство предсказанных и эталонных масок фиброза на уровне выше 85%. Попытка автоматизации шагов предварительной подготовки привела к некоторому снижению сходства (до 74%). Однако целевая метрика – относительный объем фиброза – в наиболее эффективном варианте автоматического алгоритма показала высокую корреляцию (p = 0,91; p ≤ 0.001) с таковой, полученной вручную опытным врачом-рентгенологом.

Практическая значимость. Предложенный автоматический метод, предоставляющий врачам-рентгенологам маски фиброза и здорового миокарда, может быть использован в качестве системы поддержки принятия решений.

Левчук А.Г., Фокин В.А., Рыжков А.В., Баев М.С., Бендан Д., Аль-Хайдри В., Бруй Е.А. Автоматический и полуавтоматический метод сегментации постинфарктного кардиосклероза по данным магнитно-резонансной томографии с отсроченным контрастированием // Биомедицинская радиоэлектроника. 2024. T. 27. № 3. С. 13–27. DOI: https://doi.org/10.18127/ j15604136-202403-02

1. Wu K.C., Weiss R.G., Thiemann D.R., Kitagawa K., Schmidt A., Dalal D., Lai S., Bluemke D.A., Gerstenblith G., Marban E., Tomaselli G.F., Lima J.A. Late gadolinium enhancement by cardiovascular magnetic resonance heralds an adverse prognosis in nonischemic cardiomyopathy // J. Am Coll Cardiol. 2008. 51(25):2414–21.
2. Kryukov N.A. Direct revascularization of the myocardium in patients with coronary heart disease complicated by a marked decrease in the contractility of the left ventricular myocardium, Dissertation for the degree of Candidate of Medical Sciences. Almazov National Medical Research Centre. Saint-Petersburg. 2021.
3. Wong T.C., Piehler K., Meier C.G., Testa S.M., Klock A.M., Aneizi A.A., Shakesprere J., Kellman P., Shroff S.G., Schwartzman D.S., Mulukutla S.R., Simon M.A., Schelbert E.B. Association between extracellular matrix expansion quantified by cardiovascular magnetic resonance and short-term mortality // Circulation. 2012. 126(10), 1206–1216. https://doi.org/10.1161/CIRCULATIONAHA.111.089409
4. Shivkumar K., Qu Z., Harvey R. Cardiac fibrosis in three dimensions – mechanistic insights into arrhythmic risk due to hypertrophy // J Physiol. 2023. 601: 249–250. https://doi.org/10.1113/JP283710
5. Kim R.J., Fieno D.S., Parrish T.B., Harris K., Chen E.L., Simonetti O., Bundy J., Finn J.P., Klocke F.J., Judd R.M. Relationship of MRI delayed contrast enhancement to irreversible injury, infarct age, and contractile function. Circulation. 1999. 100(19), 1992–2002. https://doi.org/10.1161/01.cir.100.19.1992
6. Jung J., Kim Y.-H., Kim N., Yang D.H. Patient-specific 17-segment myocardial modeling on a bull's-eye map. Journal of Applied Clinical Medical Physics. 2016. 17: 453-465. https://doi.org/10.1120/jacmp.v17i5.6237
7. Cerqueira M.D., Weissman N.J., Dilsizian V., Jacobs A.K., Kaul S., Laskey W.K., Pennell D.J., Rumberger J.A., Ryan T., Verani M.S. Standardized Myocardial Segmentation and Nomenclature for Tomographic Imaging of the Heart. Journal of Cardiovascular Magnetic Resonance - J CARDIOVASC MAGN RESON. 2002. 4. 203-210. 10.1081/JCMR-120003946
8. Синицын В.Е., Стукалова О.В., Ларина О.В., Смирнова М.Д., Агеев Ф.Т., Терновой С.К. Магнитно-резонансная томография сердца с отсроченным контрастированием в оценке очаговых изменений в миокарде левого желудочка у больных с гипертрофической кардиомиопатией // Кардиологический вестник. 2008. Т. 3. № 2(15). С. 54–57. EDN QYVJIL.
9. Simonetti O.P., Kim R.J., Fieno D.S., Hillenbrand H.B., Wu E., Bundy J.M., Finn J.P., Judd R.M. An improved MR imaging technique for the visualization of myocardial infarction // Radiology. 2001 Jan. 218(1): 215–23. doi: 10.1148/radiology.218.1. r01ja50215. PMID: 11152805.
10. Flett A.S., Hasleton J., Cook C., Hausenloy D., Quarta G., Ariti C., Muthurangu V., Moon J.C. Evaluation of techniques for the quantification of myocardial scar of differing etiology using cardiac magnetic resonance // JACC Cardiovasc Imaging. 2011 Feb. 4(2):150–6. doi: 10.1016/j.jcmg.2010.11.015. PMID: 21329899.
11. Стукалова О.В., Апарина О.П., Миронова Н.А., Голицын С.П. Фиброз миокарда левого предсердия по данным магнитно-резонансной томографии с отсроченным контрастированием у больных фибрилляцией предсердий // Альманах клинической медицины. 2015. № 43. С. 29–37. EDN VCNWXD.
12. Carminati M.C., Boniotti C., Fusini L., Andreini D., Pontone G., Pepi M., Caiani E.G. Comparison of Image Processing Techniques for Nonviable Tissue Quantification in Late Gadolinium Enhancement Cardiac Magnetic Resonance Images // J Thorac Imaging. 2016 May. 31(3):168–76. doi: 10.1097/RTI.0000000000000206. PMID: 27043426
13. Muscogiuri G., Rehwald W.G., Schoepf U.J., Suranyi P., Litwin S.E., De Cecco C.N., Wichmann J.L., Mangold S., Caruso D., Fuller S.R., Bayer Nd. R.R., Varga-Szemes A. T(Rho) and magnetization transfer and INvErsion recovery (TRAMINER)-prepared imaging: A novel contrast-enhanced flow-independent dark-blood technique for the evaluation of myocardial late gadolinium enhancement in patients with myocardial infarction // J Magn Reson Imaging. 2017 May. 45(5):1429–1437. doi: 10.1002/jmri.25498. Epub 2016 Sep 30. PMID: 27690324.
14. Бердибеков Б.Ш., Александрова С.А., Голухова Е.З. Количественная оценка миокардиального фиброза с применением магнитно-резонансной томографии с отсроченным контрастированием при некоронарогенных желудочковых аритмиях // Креативная кардиология. 2021. 15 (3): 342–53. DOI: 10.24022/1997-3187-2021-15-3-342-353
15. Fel J.T., Ellis C.T., Turk-Browne N.B. Automated and manual segmentation of the hippocampus in human infants // Dev Cogn Neurosci. 2023 Apr. 60:101203. doi: 10.1016/j.dcn.2023.101203. Epub 2023 Jan 27. PMID: 36791555; PMCID: PMC9957787.
16. Zabihollahy F., White J.A., Ukwatta E. Myocardial scar segmentation from magnetic resonance images using convolutional neural network // Proceedings V. 10575, Medical Imaging 2018: Computer-aided diagnosis.
17. Zabihollahy F., White J.A., Ukwatta E. Convolutional neural network-based approach for segmentation of left ventricle myocardial scar from 3D late gadolinium enhancement MR images // Med Phys. 2019. 46(4):1740–51. https://doi.org/10.1002/mp.13436
18. Dice L.R. Measures of the Amount of Ecologic Association Between Species // Ecology.1945. 26 (3): 297–302.
19. Sørensen T. A method of establishing groups of equal amplitude in plant sociology based on similarity of species and its application to analyses of the vegetation on Danish commons // Kongelige Danske Videnskabernes Selskab. 1948. 5 (4): 1–34.
20. Zabihollahy F., Rajchl M., White A.J., Ukwatta E. Fully automated segmentation of left ventricular scar from 3D late gadolinium enhancement magnetic resonance imaging using a cascaded multi-planar U-Net (CMPU-Net). Medical Physics. 2020.
21. Lustermans D.R.P.R.M., Amirrajab S., Veta M., Breeuwer M., Scannell C.M. Optimized automated cardiac MR scar quantification with GAN-based data augmentation // Comput Methods Programs Biomed. 2022 Nov. 226: 107116. doi: 10.1016/j.cmpb.2022. 107116. Epub 2022 Sep 7. PMID: 36148718.
22. MedSeg, https://www.medseg.ai/ [Accessed: July. 17, 2023].
23. Lalande A., Chen Z., Decourselle T., Qayyum A., Pommier T., Lorgis L., de la Rosa E., Cochet A., Cottin Y., Ginhac D., Salomon M., Couturier R., Meriaudeau F. Emidec: A Database Usable for the Automatic Evaluation of Myocardial Infarction from Delayed-Enhancement Cardiac MRI. Data 2020, 5, 89. doi: https://doi.org/10.3390/data5040089
24. Ronneberger O., Fischer Ph., Brox Th. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015.
25. Oktay O., Schlemper J., Folgoc L.L., Lee M.J., Heinrich M.P., Misawa K., Mori K., McDonagh S.G., Hammerla N.Y., Kainz B., Glocker B., Rueckert D. Attention U-Net: Learning Where to Look for the Pancreas. ArXiv. 2018. abs/1804.03999.
26. Tarekegn A.N., Giacobini M., Michalak K. A review of methods for imbalanced multi-label classification // Pattern Recognition. 2021. V. 118.
27. van Lieshout F.E., Klein R.C., Kolk M.Z., van Geijtenbeek K., Vos R., Ruiperez-Campillo S., Feng R., Deb B., Ganesan P., Knops R., Isgum I., Narayan S., Bekkers E., Vos B., Tjong F.V.Y. Deep Learning for Ventricular Arrhythmia Prediction Using Fibrosis Segmentations on Cardiac MRI Data. In 2022 Computing in Cardiology. 2022. CinC 2022 (Vol. 2022-September). (Computing in Cardiology). IEEE Computer Society. https://doi.org/10.22489/CinC.2022.191
28. Segment CMR, https://medviso.com/cmr/ [Accessed: January. 23, 2023].
29. Cain P.A., Ugander M., Palmer J., Carlsson M., Heiberg E., Arheden H. Quantitative polar representation of left ventricular myocardial perfusion, function and viability using SPECT and cardiac magnetic resonance: initial results // Clinical Physiology and Functional Imaging. 2005. 25: 215–222. https://doi.org/10.1111/j.1475-097X.2005.00618.x
30. CMRSegTools, https://github.com/OpenCardiacMRISoftware/CMRSegTools [Accessed: January. 23, 2023].
31. Romero R.W.A., Viallon M., Spaltenstein J., Petrusca L., Bernard O., Belle L., Clarysse P., Croisille P. CMRSegTools: An open-source software enabling reproducible research in segmentation of acute myocardial infarct in CMR images // PloS one. 2022. 17(9), e0274491. https://doi.org/10.1371/journal.pone.0274491
32. Engblom H., Tufvesson J., Jablonowski R., Carlsson M., Aletras A.H., Hoffmann P., Jacquier A., Kober F., Metzler B., Erlinge D., Atar D., Arheden H., Heiberg E. A new automatic algorithm for quantification of myocardial infarction imaged by late gadolinium enhancement cardiovascular magnetic resonance: experimental validation and comparison to expert delineations in multi-center, multi-vendor patient data // Journal of cardiovascular magnetic resonance: official journal of the Society for Cardiovascular Magnetic Resonance. 2016. 18(1), 27. https://doi.org/10.1186/s12968-016-0242-5
33. EMIDEC, https://emidec.com [Accessed: February. 20, 2024].