Automatic Detection of Mitral Annular Plane Systolic Excursion from Transesophageal Echocardiography Using Deep Learning

Abstract

Perioperativ monitorering av hjertet til pasienter som gjennomgår operasjoner er nødvendig for å forsikre at hjertets funksjon gjennoprettes. I dag gjennomføres periopertiv monitorering av hjertet manuelt, og baserer seg på livstegn og kliniske observasjoner. Komplett monitorering og evaluering er imidlertid reservert for omfattende hjerteoperasjoner, og transøsofagal ekkokardiografi (TØE) er et essensielt verktøy for slike situasjoner. Automatisk og kvantitativ evaluering av hjertefunksjon under operasjon kan eliminere intra-observer variabilitet, forkorte tidsbruk og gjøre komplett monitorering mulig for alle typer operasjon. Dette kan føre til redusert risiko for hjerterelaterte komplikasjoner, som er en av de vanligste dødsårsakene på operasjonsstua.

De siste årene har systemer som benytter seg av dyp læring revolusjonert hvordan komplekse oppgaver som bildesegmentering og objektgjennkjenning gjøres av datamaskiner, også innenfor medisin.

Studiet som fremgår av denne rapporten baserer seg på en hypotese om at perioperativ monitorering og evaluering av hjertefunksjon fra TØE kan bli automatisert ved å bruke dyp læring. Et system for automatisk deteksjon av den globale systoliske funksjonsparameteren MAPSE (mitral annular plane systolic excursion) har blitt foreslått, implementert og testet mot kliniske målinger av MAPSE fra St. Olavs sykehus i Trondheim, Norge. Systemet består av et konvolusjonelt nevralt nettverk for deteksjon av landemerker på mitral annulus i todimensjonale TØE B-mode opptak av venstre ventrikkel, og nødvendige komponenter for post-prossessering for å gi et endelig MAPSE-estimat.

Ved sammenlikning med kliniske MAPSE-verdier fra test-datasettet med 46 TØE-opptak blir gjennomsnittsfeilen på -0.08±1.38 mm. Systemet gir ikke signifikant systematisk feil, men gir enkelte avvikende resultater, spesielt i opptak med mye støy. Basert på resultatene fra denne studien har et sammendrag blitt sendt inn til EuroEcho19-konferansen. Sammendraget er lagt ved i appendix A.

Perioperative cardiac monitoring of patients undergoing surgery is vital in ensuring that the heart restores desired functionality. As of today, perioperative cardiac monitoring is performed manually, based on vital signs and clinical observations. Complete cardiac monitoring and assessment is reserved for major cardiac interventions, with transesophageal echocardiography (TEE) as a widely accepted and essential monitoring tool. Fully automatic and quantitative assessment of cardiac function during surgery can eliminate intra-observer variability, speed up the process, and make complete cardiac monitoring feasible for any type of surgery. This may in turn contribute to reduced risk of cardiovascular complications, which is currently one of the most common causes of deaths in the operating room.

In recent years, systems utilizing deep learning have revolutionized how complex tasks such as image segmentation and object detection are solved by computers, with successful applications in the field of medical imaging.

The study presented in this thesis is based on the hypothesis that perioperative monitoring and assessment of cardiac function from TEE can be automated by utilizing the power of deep learning. A pipeline for automatic detection of the global systolic functional parameter MAPSE (mitral annular plane systolic excursion) has been proposed, implemented and tested against clinical measurements from St. Olavs University hospital, Trondheim, Norway. The pipeline consists of a convolutional neural network (CNN) for detection of a set of mitral landmarks in two-dimensional TEE B-mode recordings of the left ventricle, and necessary post processing components in order to get a final MAPSE estimate. The CNN landmark detector has been trained with 131 two-chamber and four-chamber recordings.

When compared with clinically obtained MAPSE values from test data on 46 TEE recordings, the mean error of the proposed method is -0.08±1.38 mm. The method does not yield significant systematic errors, but some outliers are produced, particularly in noisy recordings. Based on the results from this study, an abstract has been submitted to the conference EuroEcho19. The abstract is included in appendix A.