Программный комплекс для 17-сегментной локализации фиброза миокарда левого желудочка сердца

Локализованная количественная оценка фиброза миокарда используется для прогнозирования исходов сердечно-сосудистых заболеваний, выбора терапевтической и хирургической стратегии. В медицинской практике возможности такой оценки затруднены необходимостью ручной или полуавтоматической предобработки изображений. Предложен программный комплекс на основе технологий глубокого обучения для анализа МРизображений сердца с отсроченным контрастированием и количественной оценкой фиброза миокарда. Результаты статистического анализа подготовленного набора данных свидетельствуют о наличии устойчивых корреляций локализованного относительного объема фиброза с клиническими данными по фракциям выброса и степенью сердечной недостаточности у пациентов. Можно отметить выраженную отрицательную корреляцию между степенью сердечной недостаточности и фракцией выброса левого желудочка (p < 0,001). Также выявлена небольшая зависимость между фракцией выброса левого желудочка и относительным объемом фиброза для двух бассейнов — правой коронарной и левой огибающей артерий (p < 0,01). Коэффициент структурного сходства с эталонной разметкой миокарда составил 0,87/0,87/0,88 по метрикам DSC/Precision/Recall для автоматического решения на основе Cascade-U-Net. Точность классификации уровня левого желудочка обученной моделью U-NetLoc составила 83 %/86 %/95 % в классификации базальных/медиальных/апикальных срезов миокарда. Качество локализации миокарда обученной моделью U-NetBull обеспечивает коэффициент сходства Соренсена–Дайса 0,827/0,778/0,734 в отдельных сегментах базального/медиального/апикального уровня левого желудочка. Предложенный программный комплекс может быть использован в качестве вспомогательного инструмента кардиологами и рентгенологами для повышения диагностической точности.

1. Fernandez-Armenta J., Berruezo A., Mont L., Sitges M., Andreu D., Silva E., Ortiz-Perez J. T., Tolosana J. M., De Caralt T. M., Perea R. J., Calvo N., Trucco E., Borras R., Matas M., Brugada J. Use of myocardial scar characterization to predict ventricular arrhythmia in cardiac resynchronization therapy // Europace. 2012. Vol. 14, N 11. P. 1578–1586. DOI: 10.1093/europace/eus104.

2. Guehl N. J., Normandin M. D., Wooten D. W., Rozen G., Ruskin J. N., Shoup T. M., Woo J., Ptaszek L. M., Fakhri G. E., Alpert N. M. Rapid computation of single PET scan rest-stress myocardial blood flow parametric images by table look up // Medical Physics. 2017. Vol. 44, N 9. P. 4643–4651. DOI: 10.1002/mp.12398.

3. Cerqueira M. D., Weissman N. J., Dilsizian V., Jacobs A. K., Kaul S., Laskey W. K., Pennell D. J., Rumberger J. A., Ryan T. J., Verani M. S. Standardized Myocardial Segmentation and Nomenclature for Tomographic Imaging of the Heart // Journal of Cardiovascular Magnetic Resonance. 2002. Vol. 4, N 2. P. 203–210. DOI: 10.1081/JCMR-120003946.

4. Pereztol-Valdes O., Candell-Riera J., Santana-Boado C., Angel J., Aguade-Bruix S., Castell-Conesa J., Garcia E. V., Soler-Soler J. Correspondence between left ventricular 17 myocardial segments and coronary arteries // European Heart Journal. 2005. Vol. 26. P. 2637–2643. DOI:10.1093/eurheartj/ehi496.

5. Klein J. L., Garcia E. V., DePuey E. G., Campbell J., Taylor A. T., Pettigrew R. I., D’Amato P., Folks R., Alazraki N. Reversibility Bull’s-Eye: A New Polar Bulls-Eye Map to Quantify Reversibility of Stress Induced SPECT Thaffium-20 1 Myocardial Perfusion Defects // J. Nucl. Med. 1990. Vol. 31. P. 1240–1246.

6. d’Entremont M.-A., Fortin G., Huynh T., Croteau É., Farand P., Lemaire-Paquette S., Brochu M.-C., Do D. H., Lepage S., Mampuya W. M., Couture É. L., Nguyen M., Essadiqi B. The feasibility, reliability, and incremental value of twodimensional speckle-tracking for the detection of significant coronary stenosis after treadmill stress echocardiography // Cardiovasc Ultrasound. 2021. Vol. 19, N 1. P. 27. DOI: 10.1186/s12947-021-00259-w.

7. Saeed M., Van T. A., Krug R., Hetts S. W., Wilson M. W. Cardiac MR imaging: current status and future direction // Cardiovascular Diagnosis and Therapy. 2015. Vol. 5, N 4. P. 290–310. http://dx.doi.org/10.3978/j.issn.2223-3652.2015.06.07.

8. Schulz-Menger J., Bluemke D. A., Bremerich J., Flamm S. D., Fogel M. A., Friedrich M. G., Kim R. J., Von Knobelsdorff-Brenkenhoff F., Kramer C. M., Pennell D. J., Plein S., Nagel E. Standardized image interpretation and post-processing in cardiovascular magnetic resonance – 2020 update // Journal of Cardiovascular Magnetic Resonance. 2020. Vol. 22, N 1. P. 19. DOI: 10.1186/s12968-020-00610-6.

9. Segment CMR – Medviso [Электронный ресурс]: <https://medviso.com/cmr/>. (дата обращения: 10.07.2024)

10. CMRSegTools - homepage [Электронный ресурс]: <https://www.creatis.insa-lyon.fr/CMRSegTools/>. (дата обращения: 10.07.2024)

11. CASIS — CArdiac Simulation & Imaging Software - Homepage [Электронный ресурс]: <https://www.casis.fr/>. (дата обращения: 10.07.2024)

12. Cardiac MR | Circle Cardiovascular Imaging [Электронный ресурс]: <https://www.circlecvi.com/cardiac-mr>. (дата обращения: 10.07.2024)

13. Medis Suite MR - Cardiac MRI - Medis Medical Imaging [Электронный ресурс]: <https://medisimaging.com/software-solutions/medis-suite-mr/>. (дата обращения: 10.07.2024)

14. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer International Publishing, 2015. Vol. 9351. P. 234–241. DOI: 10.1007/978-3-319-24574-4_28.

15. Kim R. J., Shah D. J., Judd R. M. How We Perform Delayed Enhancement Imaging // Journal of Cardiovascular Magnetic Resonance. 2003. Vol. 5, N 3. P. 505–514. DOI: 10.1081/JCMR-120022267.

16. Левчук А. Г., Фокин В. А., Рыжков А. В., Баев М. С., Бендан Д., Аль-Хайдри В., Бруй Е. А. Автоматический и полуавтоматический метод сегментации постинфарктного кардиосклероза по данным магнитно-резонансной томографии с отсроченным контрастированием // Биомедицинская радиоэлектроника. 2024. T. 27, № 3. С. 13– 27. DOI: https://doi.org/10.18127/j15604136202403-02.

17. Sørensen T. A method of establishing groups of equal amplitude in plant sociology based on similarity of species and its application to analyses of the vegetation on Danish commons // Kongelige Danske Videnskabernes Selskab. 1948. Vol. 5, N 4. P. 1–34.

18. Dice L. R. Measures of the Amount of Ecologic Association Between Species // Ecology. 1945. Vol. 26, N 3. P. 297– 302. DOI: 10.2307/1932409.

19. Powers D. M. W. Evaluation: From precision, recall and F-measure to ROC, informedness, markedness & correlation // J. of Mach Lear Tech. 2011. Vol. 2, N 1. P. 37–63. DOI: 10.9735/2229-3981.

20. Al-Haidri W., Levchuk A., Zotov N., Belousova K., Ryzhkov A., Fokin V., Lukin M., Bendahan D., Brui E. Quantitative analysis of myocardial fibrosis using a deep learning-based framework applied to the 17-Segment model // Biomedical Signal Processing and Control. 2025. Vol. 105. P. 107555. DOI: 10.1016/j.bspc.2025.107555.

21. Yong H., Huang J., Hua X., Zhang L. Gradient Centralization: A New Optimization Technique for Deep Neural Networks // arXiv:2004.01461. arXiv, 2020. DOI: 10.48550/arXiv.2004.01461.

22. Малов А. А., Полатова М. В., Баширов Р. А. Магнитно-резонансная томография в диагностике рубцовых изменений миокарда у пациентов с ишемической болезнью сердца // Практическая медицина. 2021. Т. 19, № 4. С. 50–55. DOI: 10.32000/2072-1757-2021-4-50-55.