Automatic calcium detection in echocardiography based on deep learning

Abstract

Cardiovascular diseases are one of the main causes of death in the world. The examination of echocardiography or Computed Tomography (CT) images, which a health care specialist primarily does, is an important way to diagnose several cardiac diseases. Deep Learning (DL) algorithms can be used to develop a data-driven tool that can process and categorize this kind of data, providing fast diagnoses with considered reliability, to aid physicians in their work and increase healthcare effectiveness. A systematic review of DL applications on health images concluded that there are some developments in this field primarily using CT scans, although they have some disadvantages like radiation exposure risk. Echocardiography may be a great alternative, not explored yet. In this dissertation a fully automated method based on Convolutional Neural Networks (CNNs) to detect Aortic Stenosis (AS) in echocardiography images was developed, consisting in two essential processes: (1) an object detector to locate aortic valve – achieving 95% precision and 100% recall; and (2) a classifier to identify calcium structures in the valve – which achieved promising results of 92% precision and 100% recall. The outcome of this work is an improvement in the efficiency of health systems' workflow, leading to faster and reliable diagnoses and, consequently, a decrease in deaths from heart diseases.

As doenças cardiovasculares são uma das principais causas de morte em todo o mundo. Exames como ecocardiogramas ou Tomografias Computorizadas (TACs), realizados por um médico especialista, é um meio de diagnóstico essencial para detetar várias doenças cardíacas. Podem ser utilizados modelos de Aprendizagem Profunda para desenvolver ferramentas orientadas capazes de processar e categorizar este tipo de dados, fornecendo diagnósticos rápidos com elevada confiança, que podem tornar o trabalho dos médicos mais eficiente e melhorar o sistema de cuidados de saúde. Foi realizada uma revisão sistemática das aplicações de Aprendizagem Profunda em imagens médicas, que concluiu que existem alguns desenvolvimentos nesta área, principalmente recorrendo a TACs, embora este tipo de exames apresente algumas desvantagens, como a exposição a radiação de risco. A ecocardiografia, apesar de ainda pouco explorada, pode ser uma excelente alternativa. Nesta dissertação foi desenvolvido um método automático de deteção de Estenose Aórtica em Ecocardiografias, baseado em Redes Neuronais Convolucionais (CNNs), constituído essencialmente por dois processos: (1) um detetor de objetos para localizar a válvula aórtica – que atingiu 95% de precisão e 100% de revocação; e (2) um classificador para identificar depósitos de cálcio na válvula – cujos resultados atingiram 92% de precisão e 100% de revocação, sendo também muito promissores. Este desenvolvimento representa uma melhoria na eficiência do fluxo de trabalho dos sistemas de saúde, conduzindo a diagnósticos mais rápidos e fiáveis e, consequentemente, a uma diminuição da mortalidade por fatores cardíacos.