Publicação

Automatic multi-view pose estimation in focused cardiac ultrasound

Detalhes bibliográficos
Resumo:	A ecocardiografia point-of-care (do inglês focused cardiac ultrasound, FoCUS) permite a avaliação das estruturas cardiovasculares e da sua função, por meio da imagem ultrassonográfica, na mod alidade point-of-care. Em situações de emergência e cuidados intensivos, o FoCUS é fundamental para acelerar a avaliação e o diagnóstico da função cardíaca, vital em situações críticas. No entanto, quando comparado com o exame de ecocardiografia convencional, o FoCUS difere no equipamento utilizado (qualidade inferior), no alcance do exame (conjunto limitado de vistas) e no operador (ger almente menos experiente), aspetos que fazem do FoCUS um exame essencialmente qualitativo. Com o objetivo de explorar o potencial do FoCUS na avaliação quantitativa da função cardíaca em ambiente tridimensional, esta tese focou no desenvolvimento de um algoritmo que estime automat icamente a relação espacial entre as cinco vistas cardíacas padrão de um exame de FoCUS. A pose relativa entre estas permitiria representar todas no mesmo espaço tridimensional, mitigando assim a principal barreira para a aplicação de métodos de análise 3D a este tipo de exames. No entanto, uma limitação inerente ao desenvolvimento deste tipo de algoritmos encontra-se relacionada com a falta de datasets cardíacos que contemplem imagem e respetiva pose 3D. Para ultrapassar esta limitação, uma pipeline para a geração de um dataset de FoCUS realista, com a imagem e a sua respetiva pose, foi desenvolvida com a utilização de um simulador de ultrassom e um método baseado em redes generativas adversárias para translação de imagem para imagem. Com o recurso ao dataset gerado, uma framework para estimação da pose foi desenvolvida, sendo constituída por três módulos. O primeiro propõe o uso de redes neuronais convolucionais para a regressão de mapas de calor, os quais representam as áreas mais prováveis de interseção entre as imagens de entrada. No segundo módulo, linhas representativas destas interseções são extraídas com recurso a um algoritmo de procura em grelha. Por fim, estas linhas são usadas para criar um sistema de equações não-lineares, cuja solução traduz a pose relativa 3D entre as vistas de interesse. Após provar a viabilidade da pipeline proposta para a geração de imagens realistas de FoCUS, incluindo a presença de ruído speckle e artefactos de sombra, um conjunto de testes foi realizado para validar a framework proposta. No geral, o método de regressão de mapas de calor provou ser viável e preciso, superando as baselines em todas as métricas de avaliação. De igual forma, o método de posicionamento de vistas em 3D demonstrou a sua viabilidade para a estimação da pose. Em suma, estes resultados demonstram o potencial da framework desenvolvida em contexto clínico.
Autores principais:	Freitas, João Pedro Aarão Videiros
Assunto:	Ultrassonografia cardíaca Deep learning Geração sintética de imagem Determinação automática da pose Análise de imagens médicas Cardiac ultrasound Synthetic image generation Automatic pose estimation Medical image analysis
Ano:	2022
País:	Portugal
Tipo de documento:	dissertação de mestrado
Tipo de acesso:	acesso aberto
Instituição associada:	Universidade do Minho
Idioma:	inglês
Origem:	RepositóriUM - Universidade do Minho

Descrição
Resumo:	A ecocardiografia point-of-care (do inglês focused cardiac ultrasound, FoCUS) permite a avaliação das estruturas cardiovasculares e da sua função, por meio da imagem ultrassonográfica, na mod alidade point-of-care. Em situações de emergência e cuidados intensivos, o FoCUS é fundamental para acelerar a avaliação e o diagnóstico da função cardíaca, vital em situações críticas. No entanto, quando comparado com o exame de ecocardiografia convencional, o FoCUS difere no equipamento utilizado (qualidade inferior), no alcance do exame (conjunto limitado de vistas) e no operador (ger almente menos experiente), aspetos que fazem do FoCUS um exame essencialmente qualitativo. Com o objetivo de explorar o potencial do FoCUS na avaliação quantitativa da função cardíaca em ambiente tridimensional, esta tese focou no desenvolvimento de um algoritmo que estime automat icamente a relação espacial entre as cinco vistas cardíacas padrão de um exame de FoCUS. A pose relativa entre estas permitiria representar todas no mesmo espaço tridimensional, mitigando assim a principal barreira para a aplicação de métodos de análise 3D a este tipo de exames. No entanto, uma limitação inerente ao desenvolvimento deste tipo de algoritmos encontra-se relacionada com a falta de datasets cardíacos que contemplem imagem e respetiva pose 3D. Para ultrapassar esta limitação, uma pipeline para a geração de um dataset de FoCUS realista, com a imagem e a sua respetiva pose, foi desenvolvida com a utilização de um simulador de ultrassom e um método baseado em redes generativas adversárias para translação de imagem para imagem. Com o recurso ao dataset gerado, uma framework para estimação da pose foi desenvolvida, sendo constituída por três módulos. O primeiro propõe o uso de redes neuronais convolucionais para a regressão de mapas de calor, os quais representam as áreas mais prováveis de interseção entre as imagens de entrada. No segundo módulo, linhas representativas destas interseções são extraídas com recurso a um algoritmo de procura em grelha. Por fim, estas linhas são usadas para criar um sistema de equações não-lineares, cuja solução traduz a pose relativa 3D entre as vistas de interesse. Após provar a viabilidade da pipeline proposta para a geração de imagens realistas de FoCUS, incluindo a presença de ruído speckle e artefactos de sombra, um conjunto de testes foi realizado para validar a framework proposta. No geral, o método de regressão de mapas de calor provou ser viável e preciso, superando as baselines em todas as métricas de avaliação. De igual forma, o método de posicionamento de vistas em 3D demonstrou a sua viabilidade para a estimação da pose. Em suma, estes resultados demonstram o potencial da framework desenvolvida em contexto clínico.