Three-dimensional statistical shape models for multimodal cardiac image analysis

Abstract

Las enfermedades cardiovasculares (ECVs) son la principal causa de mortalidad en el mundo Occidental. El interés de prevenir y tratar las ECVs ha desencadenado un rápido desarrollo de los sistemas de adquisición de imágenes médicas. Por este motivo, la cantidad de datos de imagen recolectados en las instituciones de salud se ha incrementado considerablemente. Este hecho ha aumentado la necesidad de herramientas automatizadas para dar soporte al diagnóstico, mediante una interpretación de imagen confiable y reproducible. La tarea de interpretación requiere traducir los datos crudos de imagen en parámetros cuantitativos, los cuales son considerados relevantes para clasificar la condición cardiaca de un paciente. Para realizar tal tarea, los métodos basados en modelos estadísticos de forma han recibido favoritismo dada la naturaleza tridimensional (o 3D+t) de las imágenes cardiovasculares. Deformando el modelo estadístico de forma a la imagen de un paciente, el corazón puede analizarse de manera integral. Actualmente, el campo de las imágenes cardiovasculares esta constituido por diferentes modalidades. Cada modalidad explota diferentes fenómenos físicos, lo cual nos permite observar el órgano cardiaco desde diferentes ángulos. El personal clínico recopila todas estas piezas de información y las ensambla mentalmente en un modelo integral. Este modelo integral incluye información anatómica y funcional que muestra un cuadro completo del corazón del paciente. Es de alto interés transformar este modelo mental en un modelo computacional capaz de integrar la información de manera global. La generación de un modelo como tal no es simplemente un reto de visualización. Requiere una metodología capaz de extraer los parámetros cuantitativos relevantes basados en los mismos principios técnicos. Esto nos asegura que las mediciones se pueden comparar directamente. Tal metodología debe ser capaz de: 1) segmentar con precisión las cavidades cardiacas a partir de datos multimodales, 2) proporcionar un marco de referencia único para integrar múltiples fuentes de información, y 3) asistir la clasificación de la condición cardiaca del paciente. Esta tesis se basa en que los modelos estadísticos de forma, y en particular los Modelos Activos de Forma, son un método robusto y preciso con el potencial de incluir todos estos requerimientos. Para procesar múltiples modalidades de imagen, separamos la información estadística de forma de la información de apariencia. Obtenemos la información estadística de forma a partir de una modalidad de alta resolución y aprendemos la apariencia simulando la física de adquisición de otras modalidades. Las contribuciones de esta tesis pueden ser resumidas así: 1) un método genérico para construir automáticamente modelos de intensidad para los Modelos Activos de Forma simulando la física de adquisición de la modalidad en cuestión, 2) la primera extensión de un simulador de Resonancia Magnética Nuclear diseñado para producir estudios cardiacos realistas, y 3) un método novedoso para el entrenamiento automático de modelos de intensidad y de fiabilidad aplicado a estudios cardiacos de Resonancia Magnética Nuclear. Cada una de estas contribuciones representa un artículo publicado o enviado a una revista técnica internacional.

Cardiovascular diseases (CVDs) are the major cause of death in the Western world. The desire to prevent and treat CVDs has triggered a rapid development of medical imaging systems. As a consequence, the amount of imaging data collected in health care institutions has increased considerably. This fact has raised the need for automated analysis tools to support diagnosis with reliable and reproducible image interpretation. The interpretation task requires to translate raw imaging data into quantitative parameters, which are considered relevant to classify the patient’s cardiac condition. To achieve this task, statistical shape model approaches have found favoritism given the 3D (or 3D+t) nature of cardiovascular imaging datasets. By deforming the statistical shape model to image data from a patient, the heart can be analyzed in a more holistic way. Currently, the field of cardiovascular imaging is constituted by different modalities. Each modality exploits distinct physical phenomena, which allows us to observe the cardiac organ from different angles. Clinicians collect all these pieces of information to form an integrated mental model. The mental model includes anatomical and functional information to display a full picture of the patient’s heart. It is highly desirable to transform this mental model into a computational model able to integrate the information in a comprehensive manner. Generating such a model is not simply a visualization challenge. It requires having a methodology able to extract relevant quantitative parameters by applying the same principle. This assures that the measurements are directly comparable. Such a methodology should be able to: 1) accurately segment the cardiac cavities from multimodal datasets, 2) provide a unified frame of reference to integrate multiple information sources, and 3) aid the classification of a patient’s cardiac condition. This thesis builds upon the idea that statistical shape models, in particular Active Shape Models, are a robust and accurate approach with the potential to incorporate all these requirements. In order to handle multiple image modalities, we separate the statistical shape information from the appearance information. We obtain the statistical shape information from a high resolution modality and include the appearance information by simulating the physics of acquisition of other modalities. The contributions of this thesis can be summarized as: 1) a generic method to automatically construct intensity models for Active Shape Models based on simulating the physics of acquisition of the given imaging modality, 2) the first extension of a Magnetic Resonance Imaging (MRI) simulator tailored to produce realistic cardiac images, and 3) a novel automatic intensity model and reliability training strategy applied to cardiac MRI studies. Each of these contributions represents an article published or submitted to a peer-review archival journal.