Automated cardiac mr image analysis for population imaging

Resumen

A pesar de los avances en la investigación de análisis cardiaca, las enfermedades cardiovasculares (ECV) continúan siendo una de las principales causas de muerte en todo el mundo. Es de vital importancia mejorar nuestra comprensión en las causas de las ECV y la forma de prevenirlas y tratarlas. En los últimos tiempos ha habido un incremento en el volumen de imágenes médicas y datos clínicos almacenados. Se espera que el uso de estas imágenes a gran escala tenga el potencial para mejorar la atención clínica, salvar vidas y reducir los costes, gracias a la detección de relaciones entre ellas y la comprensión de patrones y tendencias dentro de estos datos. Se necesitan herramientas para abordar plenamente el potencial de los datos en el mundo de la salud y traducirlas en conocimiento para la mejora de la asistencia sanitaria. Especialmente en el caso de imágenes biomédicas, esto requiere del desarrollo de nuevos algoritmos que puedan hacer frente de manera eficiente al volumen, la complejidad y la variabilidad de grandes bases de datos. Para analizar grandes bases de datos cardíacos, primero hay que procesarlas de manera eficiente y extraer información sobre la función cardíaca y la morfología. La función cardíaca se puede cuantificar a partir del cálculo de los volúmenes, las áreas y la fracción de eyección de los ventrículos, segmentando previamente el ventrículo derecho (VD) y el izquierdo (VE) en imágenes de resonancia magnética (RM). El objetivo de esta tesis es desarrollar técnicas que, a pesar de la variabilidad de las imágenes cardíacas, sean capaces de segmentar grandes cantidades de datos sin la necesidad de ningún experto. Estos métodos deben ser capaces de tratar los diferentes tipos de secuencias de imágenes y sus inconsistencias inherentes. Por otro lado, las técnicas desarrolladas deben mantener la validez independientemente de los diferentes individuos y desórdenes. Finalmente, con respecto a los grandes volúmenes de datos a procesar, los métodos deben ser completamente automáticos. En concreto, la idea es desarrollar métodos que, de manera automática, carguen los datos, inicializen el proceso, lo ejecuten y, posteriormente, evalúen la calidad de los resultados. El objetivo principal se ha dividido en tres sub-objetivos, cada uno de los cuales ha dado lugar a una contribución científica publicada o enviada a una revista técnica internacional. En la primera de las contribuciones, desarrollamos un método automático que se podía utilizar con diferentes secuencias de RM sin necesidad de ninguna modificación. Para segmentar los límites del VD utilizábamos un esquema basado en reglas que hacían uso de la intensidad y que incluían restricciones de forma y de homogeneidad entre los diferentes cortes de la RM. Para evaluar el proceso utilizamos dos secuencias de RM, la de contraste con realce tardío (RT-RM) y la funcional con la técnica gradiente-echo (cine-RM), lo que demostró el buen comportamiento de la técnica en lo que se en cuanto a la flexibilidad y la eficiencia. En nuestra segunda contribución propusimos un algoritmo para segmentar corazones con formas anormales en imágenes de RM. El algoritmo era muy flexible y no era necesario el conocimiento previo de la patología diagnosticada. La idea era aproximar el efecto de esta anormalidad por medio de una transformación virtual del remodelado entre la geometría del paciente y la media de un modelo de referencia. El algoritmo se evaluó con imágenes de pacientes diagnosticados con dos patologías cardíacas diferentes, mostrando la efectividad del método. Finalmente, en la tercera de las contribuciones, se presentó un método para detectar y segmentar el VD en grandes bases de datos de forma automática y evaluar el resultado sin intervención manual. El método incluía un sistema de regresión para predecir la posición inicial del corazón, y el control de calidad estaba basado en descriptores de textura. La validación, basada en dos grandes cohortes de acceso público, demostró que el método era adecuado para el análisis automático de grandes bases de datos.