Automatic Cardiac Segmentation of Complex Morphologies, Modalities and Tissues

Abstract

[eng] Cardiovascular diseases (CVDs) continue to take a significant toll on global health, highlighting the need for more accurate and efficient diagnostic tools. This thesis, titled "Automatic Cardiac Segmentation of Complex Morphologies, Modalities, and Tissues Using Deep Learning," delves into complex medical imaging and artificial intelligence (AI) technologies necessary to perform advanced and cutting-edge cardiovascular diagnostics. The groundwork of this work is laid by emphasizing the critical importance of early, precise, and personalized CVD assessment by means of machine learning (ML) and deep learning (DL), in order to evolve from qualitative visual assessments and basic quantitative measures into advanced, quantitative, data- driven insights. The importance of accurate delineation of cardiac structures for a correct assessment of their status and function is crucial to move forward in that direction. The first chapter delves into the right ventricle segmentation within magnetic resonance imaging (MRI) images, highlighting the challenges posed by complex shapes and ill-defined borders. It introduces the M&Ms-2 challenge, a substantial dataset encompassing diverse pathologies, multiple views, and various scanners. The chapter discusses the success of nnU-Net and underscores the value of multi-view approaches, indicating the need for comprehensive cardiac segmentation algorithms. In the second chapter, the focus shifts to late gadolinium enhancement MRI (LGE-MRI) segmentation, crucial for quantifying scar tissue in cardiac patients. The proposed solution leverages generative adversarial networks to create synthetic images, enhancing segmentation accuracy in the presence of scar tissue. Results reveal the potential of multi-sequence model training with synthetic images and data augmentation to outperform traditional methods. The third chapter addresses the segmentation of pathological tissue, specifically scar tissue and edema, within multi-modal cardiac MRI images. The chapter introduces a two-staged approach, involving a stacked BCDU-net for accurate myocardium segmentation and multi-modal pathological region segmentation. Anatomically constrained synthetic data augmentation enriches the model's performances. This thesis represents a pioneering effort to enhance cardiac deep learning-driven segmentation. By tackling the complexities of morphologies, MRI modalities and pathological tissues, this research contributes valuable insights, algorithms, and datasets to such task.

[spa] Las enfermedades cardiovasculares continúan teniendo un impacto significativo en la salud global, resaltando la necesidad de herramientas de diagnóstico más precisas y eficientes. Esta tesis profundiza en imagen de resonancia magnética y las tecnologías de inteligencia artificial necesarias para llevar a cabo diagnósticos cardiovasculares avanzados, con el fin de avanzar desde evaluaciones visuales cualitativas y medidas cuantitativas básicas hacia biomarcadores de mayor complejidad, cuantitativos y basados en datos. Para ello, se pone de manifiesto la importancia de la delimitación precisa de las estructuras cardíacas, también conocida como segmentación, y se proponen una serie de técnicas para diferentes morfologías, modalidades y patologías cardiacas. El primer capítulo aborda la segmentación del ventrículo derecho en imágenes de resonancia magnética (RM), resaltando los desafíos planteados por formas complejas y bordes mal definidos. Se introduce M&Ms-2, un conjunto de datos sustancial que abarca diversas patologías, múltiples planos y varios escáneres. El capítulo subraya la necesidad de conjuntos de datos de entrenamiento y algoritmos de segmentación cardíaca diversos, balanceados e integrales. En el segundo capítulo, el enfoque se centra en la segmentación de imágenes de resonancia magnética de realce tardío con gadolinio (LGE-MRI), crucial para cuantificar el tejido cicatricial en pacientes patológicos. La solución propuesta aprovecha las redes generativas adversarias para crear imágenes sintéticas, mejorando la precisión de la segmentación en presencia de tejido cicatricial. El tercer capítulo aborda en detalle la segmentación de tejido dicho tejido patológico, específicamente tejido cicatricial y edema, en imágenes de resonancia magnética cardíaca multimodales. El capítulo introduce un enfoque de dos etapas que implica un BCDU-net apilado para una segmentación precisa del miocardio y una segmentación multimodal de subsecuentes regiones patológicas. Esta tesis representa un esfuerzo pionero para mejorar la segmentación cardíaca impulsada por el aprendizaje profundo. Al abordar la complejidad de morfologías, las modalidades de RM y los tejidos patológicos, esta investigación aporta valiosos conocimientos, algoritmos y conjuntos de datos a esta tarea.