Short-axis and long-axis segmentation of left ventricle

Abstract

Although there have been major improvements in recent years regarding automatic segmentation and classification approaches, there is still plenty of space for improvement. We present an innovative approach to left ventricle (LV) segmentation using a combination of short-axis and long-axis cardiac magnetic resonance imaging (MRI) data. The methodology used includes a pre-trained nnU-Net neural network to segment short-axis images, which is then integrated with an active contours model to improve the accuracy of segmentation. Despite this kind of processing yields multiple results for comparison, we want to do a long-axis reconstruction of the left ventricle to provide an extra perspective that might help in understanding the anatomical structure of left ventricle. To achieve a detailed long-axis representation we have to do a interpolation process using the collect data from different segmented short-axis slices. Throughout the set of indicated methods, we used different images of several patients from two separate datasets: one public and the other private. Results reveal that presented short-axis segmentation enhancements approach typically improves efficacy for certain circumstances while maintaining accuracy for others, proving that proposed pipeline adapts well to different conditions and may be able to aid in disease diagnosis. We further demonstrate that combining data from several short-axis slices results in a practically accurate long-axis segmentation of the left ventricle.

Ainda que, nos últimos anos, tenham existido grandes avanços no que diz respeito a métodos automáticos de segmentação e classificação, os mesmos ainda não são completamente eficazes. Nesta tese apresentamos uma abordagem inovadora para a segmentação do ventrículo esquerdo ao utilizar uma combinação entre dados de ressonâncias magnéticas cardíacas de eixo horizontal e vertical. A metodologia utilizada inclui uma rede neuronal nnU-Net pré-treinada que realiza a segmentação de imagens de eixo horizontal, sendo que ´e integrada com um modelo de contornos ativos para melhorar a precisão da segmentação. Apesar deste tipo de processamento produzir múltiplos resultados para comparação, nós pretendemos realizar uma reconstrução de eixo vertical do ventrículo esquerdo para fornecer uma perspetiva adicional que possa ajudar na compreensão da estrutura anatómica do ventrículo esquerdo. Para alcançar uma representação detalhada no eixo vertical, é necessário realizar um processo de interpolação utilizando os dados recolhidos a partir de diferentes segmentos do eixo horizontal. Ao longo deste trabalho, utilizámos diferentes imagens de vários pacientes provenientes de dois conjuntos de dados distintos: um público e outro privado. Os resultados revelam que a abordagem proposta para melhoria na segmentação do eixo horizontal geralmente aumenta a precisão em determinadas circunstâncias, mantendo a precisão nas restantes, provando, assim, que o pipeline proposto se adapta bem a diferentes condições e pode ser útil no diagnóstico de doenças. Demonstramos, ainda, que a combinação de dados entre os vários segmentos de eixo horizontal resulta numa segmentação do ventrículo esquerdo em eixo vertical praticamente acertada.