Carotid Artery Ultrasound Image-Based Cardiovascular Risk Prediction using Deep Learning

Abstract

[eng] Cardiovascular Diseases (CVDs), the leading cause of death in developed countries, often involve atherosclerosis, which is a chronic inflammatory thickening of the inner artery layer. Monitoring atherosclerotic plaque detection and its characteristics is crucial for assessing future cardiovascular events. Carotid Artery (CA) Ultrasound (US) images are utilized for subclinical atherosclerosis detection by measuring carotid Intima Media Thickness (IMT) and identifying atherosclerotic plaques. This thesis introduces Deep Learning (DL) methods to segment CA US images and characterize atherosclerotic plaque, aiming to improve cardiovascular risk prediction. First, we address the segmentation of the Carotid Intima-Media (CIM) region, where the IMT is estimated. In this work, we introduce a fully automated method based on Convolutional Neural Networks that accurately localizes the carotid IMT region in longitudinal B-mode CA US images. In particular, we present a novel single-step approach using DenseNets for semantic segmentation, resulting in enhanced subclinical atherosclerosis detection through efficient carotid IMT estimation and atherosclerotic plaque detection. This thesis introduces two clinical applications of carotid IMT estimation and atherosclerotic plaque detection. The first study evaluates cardiovascular event risk in autoimmune disease patients, focusing on chronic inflammation's impact on subclinical atherosclerosis. In the second study, we examine the coexistence of subclinical atherosclerosis in the lower limb (Ankle-Brachial Index) and carotid arteries. The findings of both studies highlights the systemic nature of atherosclerosis, suggesting a correlation between biomarkers in different areas and the likelihood of subclinical disease. Finally, we explore new ways of improving cardiovascular risk prediction using DL techniques to extract information from CA US. In cardiovascular epidemiology, risk prediction functions assess the likelihood of a cardiovascular event based on individual clinical variables, using survival models. Despite their accurate stratification into low, moderate, and high-risk groups, a significant number of cardiovascular events still occur in the medium-risk category. This study introduces a novel approach for CA characterization, integrating individual artery condition data into traditional survival models. The work presents an innovative survival model that incorporates CA US image features derived from Deep Neural Networks, enabling effective cardiovascular risk prediction and the reclassification of individuals from the moderate to the high-risk category within the survival model.

[cat] Les malalties cardiovasculars (ECV), principals causes de mort en països desenvolupats, sovint estan vinculades a l'aterosclerosi, un engrossiment crònic i inflamatori de les artèries. La detecció i caracterització de plaques ateroscleròtiques mitjançant imatges d'Ultrasò de l'Artèria Caròtida (CA) són essencials per avaluar esdeveniments cardiovasculars futurs. La tesi proposa mètodes d'aprenentatge profund (DL, Deep Learning) per segmentar imatges d'Ultrasò de la CA i millorar la predicció del risc cardiovascular. Primer, abordem la segmentació de la regió Íntima-Mitjana Carotídia (CIM), on s'estima el gruix de l'íntima mitjana carotídia (IMT, Intima Media Thikness). Presentem un mètode automatitzat basat en Xarxes Neuronals Convolucionals per localitzar amb precisió la regió d'IMT carotídia en imatges d'Ultrasò. Utilitzem DenseNets per a una segmentació semàntica eficient, millorant la detecció d'aterosclerosi subclínica. La tesi presenta dues aplicacions clíniques: avaluació del risc en pacients amb malalties autoimmunes i exploració de la coexistència d'aterosclerosi subclínica a extremitats inferiors i artèries caròtides. Les troballes ressalten la naturalesa sistèmica de l'aterosclerosi, suggerint correlacions entre biomarcadors a diferents àrees i la probabilitat de malaltia subclínica. Finalment, explorem noves maneres de millorar la predicció del risc cardiovascular utilitzant tècniques de DL per extreure informació d'imatges d'Ultrasò de l’artèria caròtida. En epidemiologia cardiovascular, les funcions de predicció de risc avaluen la probabilitat d'un esdeveniment cardiovascular basant- se en variables clíniques individuals mitjançant models de supervivència. Tot i la seva precisa estratificació en grups de baix, moderat i alt risc, un nombre significatiu d'esdeveniments cardiovasculars encara tenen lloc en la categoria de risc mitjà. Aquest estudi introdueix un nou enfocament per a la caracterització de l’artèria caròtida, integrant dades individuals sobre la condició de l'artèria en models de supervivència clàssics. El treball presenta un model de supervivència innovador que incorpora característiques d'imatges d'Ultrasò de l’artèria caròtida derivades de Xarxes Neuronals Profundes (DNN, Deep Neural Networks), permetent una predicció efectiva del risc cardiovascular i la reclassificació d'individus de la categoria de risc moderat a risc alt.