Basal Strain Estimation in Transesophageal Echocardiography using Unsupervised Deep Learning

Pasienter med behov for hjertekirurgi løper en risiko for alvorlige komplikasjoner under og etter inngrepet, og blir derfor overvåket gjennom den perioperative perioden. Ekkokardiografisk evaluering kan være en viktig del av denne overvåkningen, men ettersom visuell inspeksjon er den dominerende metoden er slik evaluering i høy grad kvalitativ. I senere år har det vært stor interesse for å standarisere kvantitative indikatorer for hjertefunksjon, og en mye brukt slik indikator er myokardiell strain. Strainavbildningsteknologi er i dag tilgjengelig fra de fleste større leverandører av ultralydutstyr og -programvare, men disse krever at personell med opplæring annoterer bildene manuelt. Det er også vist at det er stor variasjon i slike målinger, både mellom observatører og mellom leverandører av utstyr, noe som gjør det ønskelig å standardisere automatiske strainmålinger. Fortsatt rask utvikling innen transøsofagal ekkokardiografi (TØE) er ventet å fasilitere denne automatiseringen. Denne oppgaven har som mål å bidra til full automatisering av ekkokardiografisk overvåkning i den perioperative perioden. Her undersøkes muligheten for rask automatisk longitudinal strainestimering i basalsegmentene fra transøsofagale 4-kammer-, 2-kammer- og lang-aksebilder gjennom bruk av ikke-veiledet (eng: unsupervised) dyp læring. Det blir foreslått en metode i fire steg, der de to viktigste er deteksjon av gjenkjennbare punkter på myokardium og estimering av bilde-til-bilde forflytning. De estimerte forflytningene brukes til å følge de detekterte punktene gjennom hjertesyklusen, og avstanden mellom dem gir et estimat av strain. Punktdeteksjonen antar at mitralanullus’ posisjon er kjent, og filtrerer bildene i flere omganger for å fremheve de mest distinkte punktene på basalsegmentet under. Forflytningene blir estimert av et konvolusjonelt nevralt nettverk og kubisk B-splineinterpolasjon, inspirert av nylig publisert arbeid innen bilderegistrering. Nevralnettet estimerer et lavoppløst forflytningsfelt som så interpoleres til et felt med full oppløsning, med én forflytningsvektor per piksel i bildene. Nevralnettet trenes uten veiledning slik at de sanne forflytningene ikke behøver å være kjent. Tre konvolusjonelle nevralnett ble trent og evaluert på undersøkelser fra 94 pasienter (57 til trening, 14 til validering, 23 til testing). Det beste nettverket viser lovende resultater på 4- og 2-kammerbildene, spesielt der bildekvaliteten er høy. Dette nettverket oppnår en gjennomsnittlig absolutt differanse (GD) på (2.96 ± 3.13)% i det inferoseptale segmentet i 4-kammerbilder når det sammenlignes med en kommersiell metode. I resten av segmentene ligger GD mellom 4.04% og 6.17%, med verst ytelse på lang-aksebildene. Størst avvik ble observert i undersøkelser med lav bildekvalitet. Det leder til konklusjonen om at strainestimering med denne metoden er mulig dersom robustheten forbedres eller om bildekvaliteten kan garanteres