Revista de Ingeniería Eléctrica y Tecnología Electrónica

Modelo U-Net para la identificación y segmentación del endocardio en imágenes de cMR

Faiza Al Kindi 

Propósito - Utilizar el modelo U-Net para la detección y segmentación de la pared endocárdica interna del ventrículo izquierdo para el cálculo de la fracción de eyección del ventrículo izquierdo (FEVI) a partir de imágenes de resonancia magnética cardíaca.

Antecedentes: La resonancia magnética cardíaca (RMC) se utiliza de forma rutinaria para evaluar la estructura y la función del corazón mediante mediciones cuantitativas. La fracción de eyección del ventrículo izquierdo (FEVI) es uno de los parámetros más importantes para la función del VI. Es un indicador pronóstico importante de los resultados cardiovasculares que se utiliza clínicamente para determinar la indicación de varias intervenciones terapéuticas. La segmentación precisa del ventrículo izquierdo es un paso esencial para calcular la FEVI. La práctica actual en nuestro centro es seleccionar y delinear manualmente el contorno interno del ventrículo izquierdo en imágenes de RMC sin procesar. Este es un proceso que requiere mucho tiempo y es propenso a sesgos inducidos por el usuario y, por lo tanto, a resultados falsos positivos y falsos negativos.

Método : el modelo de aprendizaje profundo U-Net se desarrolló específicamente para la segmentación biomédica y ha demostrado funcionar de manera eficaz con menos muestras de entrenamiento. Por lo tanto, empleamos el modelo U-Net para realizar y evaluar una herramienta precisa de detección y segmentación automática del ventrículo izquierdo. El modelo U-Net se ha entrenado y evaluado en nuestros datos clínicos locales que consisten en 4050 imágenes de eje corto de pacientes con FEVI normal y estructuras anatómicas normales del corazón. Las delineaciones manuales fueron realizadas por dos radiólogos experimentados. El rendimiento del modelo se evaluó utilizando varios parámetros estadísticos, a saber, exactitud, precisión, recuperación e intersección sobre unión (IoU). Resultados: con un conjunto de prueba de 810 imágenes, el modelo U-Net logró detectar la presencia y la ausencia del ventrículo izquierdo en imágenes de eje corto de cMR de todos los pacientes. Además, el método logró un alto rendimiento en la detección y segmentación automática del endocardio con un recall del 91,86%, una precisión del 97,16%, una exactitud del 99,82% y una intersección sobre unión (IoU) del 83,65%. Conclusión: el modelo U-Net logró un buen rendimiento en la segmentación del ventrículo izquierdo con una alta precisión de detección en menos de un minuto para cada exploración. Estos hallazgos son lo suficientemente convincentes como para respaldar la realización de una evaluación completa de una población de pacientes más grande. Palabras clave: MRI, función cardíaca, fracción de eyección, inteligencia artificial, aprendizaje profundo, red neuronal, modelo U-Net, segmentación, detección.

Limitaciones: 1. Las segmentaciones fueron realizadas manualmente por dos radiólogos. 2. Tamaño de muestra limitado. Aprobación del Comité de Ética: Sí.

Financiamiento de este estudio: Subvención del Ministerio de Transportes, Comunicaciones y Tecnologías de la Información.