Detección de fibrosis en imágenes de cine de resonancia cardíaca mediante el uso de técnicas de inteligencia artificial / Fibrosis detection on MR-Cine images by using artificial intelligence techniques

RESUMEN Introducción: Las técnicas de inteligencia artificial han demostrado tener un gran potencial en el área de la cardiología, especialmente para identificar patrones imperceptibles para el ser humano. En este sentido, dichas técnicas parecen ser las adecuadas para identificar patrones en la textura del miocardio con el objetivo de identificar y cuantificar la fibrosis. Objetivos: Proponer un nuevo método de inteligencia artificial para identificar fibrosis en imágenes cine de resonancia cardíaca. Materiales y métodos: Se realizó un estudio retrospectivo observacional en 75 sujetos del Sanatorio San Carlos de Bariloche. El método propuesto analiza la textura del miocardio en las imágenes cine CMR (resonancia magnética cardíaca) mediante el uso de una red neuronal convolucional que determinar el daño local del tejido miocárdico. Resultados: Se observó una precisión del 89% para cuantificar el daño tisular local en el conjunto de datos de validación y de un 70% para el conjunto de prueba. Además, el análisis cualitativo realizado muestra una alta correlación espacial en la localización de la lesión. Conclusiones: El método propuesto permite identificar espacialmente la fibrosis únicamente utilizando la información de los estudios de cine de resonancia magnética nuclear, mostrando el potencial de la técnica propuesta para cuantificar la viabilidad miocárdica en un futuro o estudiar la etiología de las lesiones.

ABSTRACT Background: Artificial intelligence techniques have demonstrated great potential in cardiology, especially to detect imperceptible patterns for the human eye. In this sense, these techniques seem to be adequate to identify patterns in the myocardial texture which could lead to characterize and quantify fibrosis. Purpose: The aim of this study was to postulate a new artificial intelligence method to identify fibrosis in cine cardiac magnetic resonance (CMR) imaging. Methods: A retrospective observational study was carried out in a population of 75 subjects from a clinical center of San Carlos de Bariloche. The proposed method analyzes the myocardial texture in cine CMR images using a convolutional neural network to determine local myocardial tissue damage. Results: An accuracy of 89% for quantifying local tissue damage was observed for the validation data set and 70% for the test set. In addition, the qualitative analysis showed a high spatial correlation in lesion location. Conclusions: The postulated method enables to spatially identify fibrosis using only the information from cine nuclear magnetic resonance studies, demonstrating the potential of this technique to quantify myocardial viability in the future or to study the etiology of lesions.

Cuantificación automática de los volúmenes y función de ambos ventrículos en resonancia cardíaca. Propuesta y evaluación de un método de inteligencia artificial / Automatic Quantification of Volumes and Biventricular Function in Cardiac Resonance. Validation of a New Artificial Intelligence Approach

RESUMEN Introducción: Las técnicas de inteligencia artificial han demostrado tener un gran potencial en el área de la cardiología, especialmente para cuantificar la función cardíaca de ambos ventrículos, volumen, masa y fracción de eyección (FE). Sin embargo, su aplicación en la clínica no es directa, entre otros motivos por la poca reproducibilidad frente a casos de la práctica diaria. Objetivos: Propuesta y evaluación de una nueva herramienta de inteligencia artificial para cuantificar la función cardíaca de ambos ventrículos (volumen, masa y FE). Estudiar su robustez para su uso en la clínica y analizar los tiempos de cómputo respecto a los métodos convencionales. Materiales y métodos: Se analizaron en total 189 pacientes, 89 de un centro regional y 100 de un centro público. El método propuesto utiliza dos redes convolucionales incorporando información anatómica del corazón para reducir los errores de clasificación. Resultados: Se observa una alta concordancia (coeficiente de Pearson) entre la cuantificación manual y la propuesta para cuantificar la función cardíaca (0,98, 0,92, 0,96 y 0,8 para los volúmenes y para la FE de ambos ventrículos) en tiempos cercanos a los 5 seg. por estudio. Conclusiones: El método propuesto permite cuantificar los volúmenes y función de ambos ventrículos en segundos con una precisión comparable a la de un especialista.

ABSTRACT Background: Artificial intelligence techniques have shown great potential in cardiology, especially in quantifying cardiac biventricular function, volume, mass, and ejection fraction (EF). However, its use in clinical practice is not straightforward due to its poor reproducibility with cases from daily practice, among other reasons. Objectives: To validate a new artificial intelligence tool in order to quantify the cardiac biventricular function (volume, mass, and EF). To analyze its robustness in the clinical area, and the computational times compared with conventional methods. Methods: A total of 189 patients were analyzed: 89 from a regional center and 100 from a public center. The method proposes two convolutional networks that include anatomical information of the heart to reduce classification errors. Results: A high concordance (Pearson coefficient) was observed between manual quantification and the proposed quantification of cardiac function (0.98, 0.92, 0.96 and 0.8 for volumes and biventricular EF) in about 5 seconds per study. Conclusions: This method quantifies biventricular function and volumes in seconds with an accuracy equivalent to that of a specialist.