Cardiac disease discrimination from 3D-convolutional kinematic patterns on cine-MRI sequences
Discriminación de enfermedades cardiacas utilizando patrones cinemáticos codificados con convoluciones 3D en secuencias de cine-RM
Biomédica (Bogotá); 44 (supl.1), 2024
Publication year: 2024
Introduction. Cine-MRI (cine-magnetic resonance imaging) sequences are a key diagnostic tool to visualize anatomical information, allowing experts to localize and determine suspicious pathologies. Nonetheless, such analysis remains subjective and prone to diagnosis errors. Objective. To develop a binary and multi-class classification considering various cardiac conditions using a spatiotemporal model that highlights kinematic movements to characterize each disease. Materials and methods. This research focuses on a 3D convolutional representation to characterize cardiac kinematic patterns during the cardiac cycle, which may be associated with pathologies. The kinematic maps are obtained from the apparent velocity maps computed from a dense optical flow strategy. Then, a 3D convolutional scheme learns to differentiate pathologies from kinematic maps. Results. The proposed strategy was validated with respect to the capability to discriminate among myocardial infarction, dilated cardiomyopathy, hypertrophic cardiomyopathy, abnormal right ventricle, and normal cardiac sequences. The proposed method achieves an average accuracy of 78.00% and a F1 score of 75.55%. Likewise, the approach achieved 92.31% accuracy for binary classification between pathologies and control cases. Conclusion. The proposed method can support the identification of kinematically abnormal patterns associated with a pathological condition. The resultant descriptor, learned from the 3D convolutional net, preserves detailed spatiotemporal correlations and could emerge as possible digital biomarkers of cardiac diseases.
Introducción. Las secuencias del cine-resonancia magnética (cine-MRI, cine magnetic resonance imaging) son una herramienta diagnóstica clave para visualizar la información anatómica que les permite a los expertos localizar y determinar aquellas anomalías que resulten sospechosas. No obstante, este análisis sigue siendo subjetivo y propenso a errores de diagnóstico. Objetivo. Desarrollar una clasificación binaria y multiclase, considerando diferentes condiciones cardiacas, mediante un modelo espaciotemporal que permita resaltar los movimientos cinéticos para caracterizar cada enfermedad. Materiales y métodos. Este estudio se centra en el uso de una representación de convolución 3D para caracterizar los patrones cinéticos durante el ciclo cardiaco que puedan estar asociados con enfermedades. Para ello, se obtienen mapas cinéticos a partir de mapas de velocidad aparente, calculados mediante una estrategia de flujo óptico denso. A continuación, un esquema de convolución 3D "aprende" a diferenciar patologías a partir de mapas cinemáticos. Resultados. La estrategia propuesta se validó según la capacidad de discriminar entre infarto de miocardio, miocardiopatía dilatada, miocardiopatía hipertrófica, ventrículo derecho anormal y un examen normal. El método propuesto alcanza una precisión media del 78,0 % y una puntuación F1 score del 75,55 %. Asimismo, el enfoque alcanzó el 92,31 % de precisión para la clasificación binaria entre enfermedades y casos de control. Conclusiones. El método propuesto es capaz de apoyar la identificación de patrones cinéticos anormales asociados con una condición patológica. El descriptor resultante, aprendido de la red de convolución 3D, conserva correlaciones espaciotemporales detalladas y podría surgir como posible biomarcador digital de enfermedades cardiacas.