Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas
Las enfermedades cardiovasculares representan la principal causa de muerte en el mundo. La detección temprana, el seguimiento y tratamiento de estas enfermedades es muy importante para mejorar la calidad de vida de las personas que las padecen. Para esos propósitos, es útil cuantificar la función ca...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Tesis NonPeerReviewed |
| Lenguaje: | Español |
| Publicado: |
2022
|
| Materias: | |
| Acceso en línea: | http://ricabib.cab.cnea.gov.ar/1149/1/1Radlovacki_Parisi.pdf |
| Aporte de: |
| id |
I25-R131-1149 |
|---|---|
| record_format |
dspace |
| institution |
Instituto Balseiro |
| institution_str |
I-25 |
| repository_str |
R-131 |
| collection |
Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) |
| language |
Español |
| orig_language_str_mv |
es |
| topic |
Medicina Myocardium Miocardio Magnetic resonance Resonancia magnética [Myocardial strain Esfuerzo miocárdico Myocardial strain rate Tasa de deformación miocárdica Deep learning Redes convolucionales profundas Cardiac function Función cardiaca] |
| spellingShingle |
Medicina Myocardium Miocardio Magnetic resonance Resonancia magnética [Myocardial strain Esfuerzo miocárdico Myocardial strain rate Tasa de deformación miocárdica Deep learning Redes convolucionales profundas Cardiac function Función cardiaca] Radlovacki Parisi, Yhibo B. Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| topic_facet |
Medicina Myocardium Miocardio Magnetic resonance Resonancia magnética [Myocardial strain Esfuerzo miocárdico Myocardial strain rate Tasa de deformación miocárdica Deep learning Redes convolucionales profundas Cardiac function Función cardiaca] |
| description |
Las enfermedades cardiovasculares representan la principal causa de muerte en el mundo. La detección temprana, el seguimiento y tratamiento de estas enfermedades es muy importante para mejorar la calidad de vida de las personas que las padecen. Para esos propósitos, es útil cuantificar la función cardíaca. El esfuerzo y la tasa de deformación miocárdicos representan indicadores de la función cardíaca global y regional.
En este trabajo se desarrolló un método para la estimación del esfuerzo y la tasa de deformación miocárdicos a partir de imágenes de resonancia magnética de eje corto en modalidad cine utilizando técnicas de aprendizaje profundo. Para la estimación del movimiento cardíaco se desarrolló una red neuronal basada en la red CarMEN utilizada en el método DeepStrain. Se modificó la arquitectura de la red agregando bloques de atención.
Los resultados de la estimaci´on de movimiento de los puntos materiales del ventr´ıculo izquierdo con la t´ecnica propuesta muestran que es adecuada para su cuantificación. El error telesistólico en la base de datos cMAC es 5,60±2,38 mm siendo comparable a los métodos pertenecientes al estado del arte. El tiempo de ejecución del método para estimar el movimiento disminuyó en casi un orden de magnitud con respecto a Demons, método usado anteriormente en el grupo de investigación en el que se realizó el proyecto.
Las curvas de esfuerzo y tasa de deformación que se obtienen con el método fueron analizadas y se concluyó que su forma se corresponde a la forma de las curvas presentes en la bibliografía. Además los valores de esfuerzo circunferencial y radial producidos por el método para pacientes sanos se corresponden a los valores reportados por la mayoría de estudios. En cambio, el strain longitudinal resultó subestimado.
Los resultados obtenidos muestran que el método desarrollado presenta potencial para computar el esfuerzo miocárdico radial y circunferencial a partir de imágenes de resonancia magnética de eje corto en modalidad cine. |
| format |
Tesis NonPeerReviewed |
| author |
Radlovacki Parisi, Yhibo B. |
| author_facet |
Radlovacki Parisi, Yhibo B. |
| author_sort |
Radlovacki Parisi, Yhibo B. |
| title |
Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| title_short |
Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| title_full |
Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| title_fullStr |
Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| title_full_unstemmed |
Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| title_sort |
estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas |
| publishDate |
2022 |
| url |
http://ricabib.cab.cnea.gov.ar/1149/1/1Radlovacki_Parisi.pdf |
| work_keys_str_mv |
AT radlovackiparisiyhibob estimaciondelesfuerzomiocardicoenimagenesderesonanciamagneticanuclearmedianteredesconvolucionalesprofundas |
| _version_ |
1794277901702529024 |
| spelling |
I25-R131-11492023-03-09T18:47:07Z Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas Estimation of myocardial strain in nuclear magnetic resonance imaging deep convolutional networks Radlovacki Parisi, Yhibo B. Medicina Myocardium Miocardio Magnetic resonance Resonancia magnética [Myocardial strain Esfuerzo miocárdico Myocardial strain rate Tasa de deformación miocárdica Deep learning Redes convolucionales profundas Cardiac function Función cardiaca] Las enfermedades cardiovasculares representan la principal causa de muerte en el mundo. La detección temprana, el seguimiento y tratamiento de estas enfermedades es muy importante para mejorar la calidad de vida de las personas que las padecen. Para esos propósitos, es útil cuantificar la función cardíaca. El esfuerzo y la tasa de deformación miocárdicos representan indicadores de la función cardíaca global y regional. En este trabajo se desarrolló un método para la estimación del esfuerzo y la tasa de deformación miocárdicos a partir de imágenes de resonancia magnética de eje corto en modalidad cine utilizando técnicas de aprendizaje profundo. Para la estimación del movimiento cardíaco se desarrolló una red neuronal basada en la red CarMEN utilizada en el método DeepStrain. Se modificó la arquitectura de la red agregando bloques de atención. Los resultados de la estimaci´on de movimiento de los puntos materiales del ventr´ıculo izquierdo con la t´ecnica propuesta muestran que es adecuada para su cuantificación. El error telesistólico en la base de datos cMAC es 5,60±2,38 mm siendo comparable a los métodos pertenecientes al estado del arte. El tiempo de ejecución del método para estimar el movimiento disminuyó en casi un orden de magnitud con respecto a Demons, método usado anteriormente en el grupo de investigación en el que se realizó el proyecto. Las curvas de esfuerzo y tasa de deformación que se obtienen con el método fueron analizadas y se concluyó que su forma se corresponde a la forma de las curvas presentes en la bibliografía. Además los valores de esfuerzo circunferencial y radial producidos por el método para pacientes sanos se corresponden a los valores reportados por la mayoría de estudios. En cambio, el strain longitudinal resultó subestimado. Los resultados obtenidos muestran que el método desarrollado presenta potencial para computar el esfuerzo miocárdico radial y circunferencial a partir de imágenes de resonancia magnética de eje corto en modalidad cine. Cardiovascular diseases represent the main cause of death in the world. Early detection, monitoring and treatment of these diseases is very important to improve the quality of life of people who suffer from them. For those purposes, it is useful to quantify cardiac function. Myocardial strain and strain rate represent indicators of global and regional cardiac function. In this work, a method was developed to estimate myocardial strain and strain rate from short-axis cine magnetic resonance images using deep learning techniques. For the estimation of cardiac motion, a neural network based on the CarMEN network used in DeepStrain method was developed. The results of the movement estimation of the material points of the left ventricle with the proposed technique show that it is adequate for cardiac motion estimation. The telesystolic error in the cMAC database is 5.60 ± 2.38 mm, which is comparable to state of the art methods. The execution time of the method for estimating motion decreased by almost an order of magnitude with respect to Demons, the method previously used in the research group in which the project was carried out. The strain and strain rate curves obtained with the method were analyzed. It was concluded that their shape corresponds to the shape of the curves found in the literature. In addition, the values of circumferential and radial strain produced by the method for healthy patients correspond to the values reported by most studies. However the longitudinal strain was underestimated. The results obtained show that the developed method has the potential to compute radial and circumferential myocardial strain from short-axis cine magnetic resonance images. 2022-12-20 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1149/1/1Radlovacki_Parisi.pdf es Radlovacki Parisi, Yhibo B. (2022) Estimación del esfuerzo miocárdico en imágenes de resonancia magnética nuclear mediante redes convolucionales profundas / Estimation of myocardial strain in nuclear magnetic resonance imaging deep convolutional networks. Proyecto Integrador Ingeniería en Telecomunicaciones, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1149/ |