Improved Strain Computation for Transesophageal Echocardiography Acquisitions

Abstract

Hjerteoperasjoner er store inngrep som er utsatt for alvorlige komplikasjoner både under og etter operasjonen. Overvåking av hjertet gjør det mulig å forutse slike komplikasjoner og har dermed blitt en standard praksis å utføre gjennom den perioperative perioden. Ekkokardiografisk vurdering av hjertes sammentrekningsevne er en vanlig overvåkingsprosedyre som vanligvis utføres ved visuell inspeksjon. Den kvalitative karakteren til denne teknikken gjør den svært sårbar for operatørens subjektivitet og drev dermed kardiologer til å utvikle standardiserte kvantitative mål på hjertefunksjon, for eksempel 'strain’. Strainestimering krever fortsatt manuell merking av bilder og lider fortsatt av variasjon mellom inter- og intra-observatør.

Denne oppgaven presenteres som et bidrag til fullstendig automatisering av strainestimering på ‘transesophageal echocardiographic’ (TEE) bilder. Det foreslås en ny databehandligsstrøm for strainestimering. Den fokuserer på estimering av langsgående ‘strain’ i de basale segmentene av 4-kammer-, 2-kammer- og apikale langakse utsnitt av hjertet. Denne databehandligsstrømen bruker segmenteringsmodellen U-Net og en tilpasset tynningsalgoritme for å automatisk trekke ut hjertepunkter fra det første bildet av et B-modus opptak, og estimerer bevegelsen med optiske strømningsmetoder. Strain beregnes deretter basert på estimert forskyvning av disse punktene gjennom hjertesykluser. Fire optiske strømningsmodeller eksperimenteres, hvorav to har en konvolusjonell nevral nettverksbasert arkitektur. Integrering av ‘tissue velocity imaging’ (TVI) data og en ny sporingsmetode basert på Kalman-filtrering er utviklet for å forbedre bevegelsesestimerings- og sporingsprosesser.

U-Net og de to CNN-baserte modellene er trent på B-modus opptak fra 70 pasienter. Et testsett på 18 pasienter brukes til å evaluere sporing og belastningsestimering av de forskjellige modellene. Algoritmen for automatisk uttrekk av hjertepunkter gir brukbare resultater i 50% og 57% av tilfellene når de brukes på henholdsvis høy og lav bildefrekvens i B-modus opptak. Tre algoritmer for optisk flyt presenterer fremragende sporingsytelse i fem av de seks basalsegmentene. Det er vist at utnyttelse av TVI-data forbedrer sporingsytelsen. Den samme observasjonen blir gjort når den Kalman filtreringsbaserte sporingsmetoden blir brukt på opptak med høy bildefrekvens. De foreslåtte teknikkene oppnår toppmoderne belastningsestimeringsprestasjoner. En gjennomsnittlig absolutt feil på (2,74 + 2,38)% oppnås i inferoseptalsegmentet. De underordnede og fremre segmentene er segmentene der korrelasjonen mellom belastningsestimater og de faktiske sannhetsverdier er høyest: Pearson-korrelasjonskoeffisienten når verdien 0,77 i underordnet segment og 0,79 i det fremre segmentet.

Cardiac surgeries are major interventions prone to serious complications that can occur during and after the operation. Monitoring the heart allows to anticipate such complications and has thus become a standard practice to perform through the perioperative period. Echocardiographic assessment of the myocardial contractility is a common monitoring procedure that is generally performed by visual inspection. The qualitative nature of this technique makes it highly vulnerable to the operator's subjectivity and thus drove cardiologists to develop standardized quantitative measures of cardiac function, such as strain. Strain estimation still requires manual annotation of images and still suffers from inter- and intra-observer variability.

This thesis is presented as a contribution towards the complete automatization of the strain estimation task in transesophageal echocardiographic (TEE) images. A novel strain estimation pipeline is proposed. It focuses on the estimation of the longitudinal strain in the basal segments of the 4-chamber, 2-chamber and apical long-axis views of the heart. This pipeline uses the segmentation model U-Net and a custom thinning algorithm to automatically extract myocardial points from the first frame of a B-mode sequence and estimates their motion with optical flow methods. Strain is then computed based on the estimated displacement of these points through cardiac cycles. Four optical flow models are experimented, among which two have a convolutional neural network-based architecture. Integration of tissue velocity imaging (TVI) data and a novel tracking method based on Kalman filtering are developed in order to improve the motion estimation and tracking processes.

U-Net and the two CNN-based models are trained on B-mode recordings from 70 patients. A test set of 18 patients is used to evaluate the tracking and strain estimation performances of the different models. The myocardial point extraction algorithm gives usable results in 50% and 57% of the cases when applied to high and low frame rate B-mode sequences respectively. Three optical flow algorithms present outstanding tracking performances in five of the six basal segments. It is shown that exploiting TVI data improves tracking performances. The same observation is made when the Kalman filtering-based tracking method is applied to high frame rate sequences. The proposed techniques achieve state-of-the-art strain estimation performances. A mean absolute error of (2.74 + 2.38)% is achieved in the inferoseptal segment. The inferior and anterior segments are the segments in which the correlation between strain estimates and ground truth values is the highest: the Pearson correlation coefficient reaches the value 0.77 in the inferior segment and 0.79 in the anterior segment.