Teoresi logo

Welcome Teoresi MedTech

Le nostre tesi
logo politecnico di torino test

Politecnico di Torino

Ingegneria Biomedica

Laurea Magistrale

Autore

Carolina Gomez

2023

Intelligenza Artificiale applicata ad immagini ecocardiogafiche 2D per la diagnosi precoce dell’infarto del miocardio

logo politecnico di torino test

Politecnico di Torino

Ingegneria Biomedica

Laurea Magistrale

Autore

Carolina Gomez

Artificial Intelligence
Relatori Teoresi coinvolti

Annalisa Letizia, Vincenza Tufano, Gianluca Toscano


Abstract

L’infarto del miocardio (MI) si verifica in seguito ad una interruzione del flusso sanguigno al muscolo cardiaco, di solito a causa di una sottostante malattia coronarica (CAD). Nel 2019, le CADs di tipo ischemico sono state responsabili di 1 decesso su 6, diventando la principale causa di decesso nel mondo. Allo stato attuale, la diagnosi di malattie cardiache, e in particolare di MI, si definisce a partire da specifici valutazioni di biomarcatori ed elettrocardiografia. Tuttavia, poiché i risultati di questi metodi sono talvolta inconcludenti e possono portare a diagnosi errate, confondendosi con altre sindromi, i cardiologi si affidano frequentemente a tecniche di diagnostica per immagini. L’ecocardiografia è la tecnica più utilizzata, poiché consente la visualizzazione del cuore in modo semplice, in tempo reale ed economico. Da questo esame, i cardiologi studiano il movimento delle pareti del ventricolo sinistro (LV) alla ricerca di contrazioni anomale che compaiono contestualmente all’ischemia. Per valutare ulteriormente la funzionalità cardiaca, dall’ecocardiogramma vengono calcolati anche parametri come la frazione di eiezione del sangue. Al fine di raggiungere questi task, può rendersi necessaria la segmentazione del LV.

La segmentazione manuale è un processo dispendioso, tanto più data la quantità di esami che i cardiologi eseguono quotidianamente a causa dell’elevato numero di pazienti con malattie cardiache. Inoltre, a causa del rumore e della dipendenza dall’operatore, la valutazione ecocardiografica presenta un’elevata variabilità intra e inter-osservatore. Per questi motivi, diversi approcci diagnostici basati sull’intelligenza artificiale (AI) sono stati proposti per la valutazione automatica della funzionalità cardiaca. Questi algoritmi possono ridurre il carico di lavoro dei cardiologi, assistendoli nell’interpretazione degli ecocardiogrammi in modo più rapido, robusto e accurato.

Lo scopo di questa tesi è lo sviluppo di un algoritmo di AI completamente automatico per la diagnosi precoce di MI dall’ecocardiografia 2-D. Ciò comporta prima la segmentazione del LV e poi, attraverso la valutazione di alcuni parametri, l’identificazione di MI. Nello specifico, per la prima fase viene utilizzato un modello di Deep Learning (U-Net), sfruttando la disponibilità di ecocardiogrammi con segmentazioni manuali. Per la seconda fase vengono testati diversi algoritmi di Machine Learning supervisionati, unitamente a tecniche di Data Augumentation, ottenendo alla fine i migliori risultati con il modello Random Forest. Rispetto alla letteratura, l’approccio di questa tesi identifica i segmenti specifici del LV che presentano infarto, utilizzando, per la costruzione del modello, parametri clinici esistenti. Inoltre, il modello dimostra prestazioni e generalizzabilità superiori rispetto ad altri metodi. Infine, le segmentazioni generate ed i parametri calcolati vengono presentati al cardiologo consentendo la verifica umana della diagnosi prodotta. Il successo di questo algoritmo incoraggia la possibilità di future applicazioni nel contesto clinico; tuttavia, questo richiede prima la convalida con più dati.

Obiettivo tesi

Svilluppo di un algoritmo automatico, con metodi di intelligenza artificiale, per la diagnosi precoce dell’infarto del miocardio da immagini di ecocardiografie.

Metodologia di ricerca

Pipeline composta da 4 fasi:

  1. Preprocessing: preparazione dei datasets ecocardiografici
  2. Segmentazione: costruzione della rete di deep learning (U-Net CNN)
  3. Post processing: operazioni morfologiche ed estrazione delle features dalle maschere di segmentazione ottenute
  4. Classificazione: costruzione e testing di diversi algoritmi ML (KNN, SVM e RF). Classificazione del paziente nel suo insieme e dei singoli segmenti

Conclusioni

Si ottengono performance elevate per la segmentazione del ventricolo sinistro tramite una rete di Deep Learning utilizzando due dataset diversi (alta generalizzabilità).
Si ottengono performance elevate per l’identificazione di infarto del miocardio nei pazenti e nei singoli segmenti del miocardio. Questo tramite classificatori di machine learning allenati con delle features cliniche.

Sviluppi futuri

Rete per la segmentazione che utilizza più di una vista ecocardiografica per ridurre l’errore nella fase di estrazione delle features. Validazione del modello con più dati.