An inter-modality statistical shape modelling approach for the 3D segmentation of cardiac structures from magnetic resonance images

Cardiac magnetic resonance (CMR) imaging is considered the reference modality for quantification of ventricular volume and function. Important clinical parameters, such as stroke volume, ejection fraction, left ventricular (LV) mass or wall thickness are derived by accurate delineation of LV endocardial and epicardial contours. Even if manual tracing on CMR images remains the gold standard, different automated or semi-automated segmentation techniques have been proposed to improve reproducibility and preserve accuracy. To this respect, model-based methods, such as statistical shape models (SSM), have become a powerful tool to segment medical images by deforming and matching a predefined geometric shape to the locations of extracted features of the desired structure to be detected. The goal of this PhD thesis was to develop and optimize an inter-modality SSM approach and adapt it to segment different cardiac structures (such as the LV endocardium and epicardium, and the right ventricular (RV) endocardium) with minimal user interaction. Specifically, a SSM was trained on a large database (>7000 LV and >4000 RV) of intrinsically 3D surfaces obtained from transthoracic 3D echocardiographic images. Segmentation of CMR images was then performed by iteratively varying the SSM shape on the base of features extracted (k-clustering technique) and by constraining the possible deformations to plausible shapes included in the training database. In order to improve accuracy during image segmentation and model matching process, different aspects of this approach, such as strategies for generation of the SSM using different frame inclusion or mesh registration during the training phase, use of multi-view (long- and short-axis) images to guide model deformation, introduction of independent component analysis, were investigated and tested on a population of 45 patients (or subgroups) including both pathological and healthy subjects. A pilot application of the proposed SSM approach to other structures, such as the left kidney in patients with polycystic disease, was also explored.

La risonanza magnetica cardiaca (CMR) è considerata la modalità di riferimento per la quantificazione del volume e della funzione ventricolare. Importanti parametri clinici, come il volume sistolico, la frazione di eiezione, la massa o lo spessore della parete ventricolare sinistra sono ottenuti dall’accurato tracciamento dei contorni endocardici ed epicardici del ventricolo sinistro. Anche se il tracciamento manuale delle immagini di CMR è ancora considerato il gold standard, al fine di aumentare la riproducibilità e preservare l’accuratezza di segmentazione, differenti tecniche automatiche e semi-automatiche sono state sviluppate. In tal senso, i metodi basati su modelli statistici (SSM), sono diventati un valido strumento per la segmentazione delle immagini mediche. Tali metodi deformano una forma geometrica sulla base di caratteristiche individuate in modo da adattarla alla struttura desiderata. L’obiettivo di questa tesi di dottorato è stato lo sviluppo e l’ottimizzazione di un approccio inter-modale basato su modelli statistici e la sua applicazione per la segmentazione di differenti strutture cardiache (come l’endocardio e l’epicardio del ventricolo sinistro e l’endocardio del ventricolo destro) con una limitata interazione dell’utente. Nello specifico, il modello statistico è stato costruito usando un vasto numero (>7000 per il ventricolo sinistro e >4000 per il ventricolo destro) di superfici 3D ottenute da immagini di ecocardiografia transtoracica. La segmentazione delle immagini di CMR è stata poi ottenuta variando iterativamente la forma del modello statistico sulla base di particolari caratteristiche individuate nelle immagini in seguito a clusterizzazione. Inoltre, le possibili deformazioni di forma sono state limitate in modo da forzare il modello statistico a rispecchiare il set di forme su cui è stato costruito. Al fine di migliorare l’accuratezza della segmentazione delle immagini e della deformazione del modello, differenti varianti di tale approccio inter-modale, come strategie per la generazione del modello statistico sulla base di frame di fasi cardiache diverse o della registrazione delle superfici durante la fase di training, uso di più viste (immagini ad assi lunghi ed assi corti) per guidare la deformazione del modello, analisi delle componenti indipendenti, sono state studiate e testate su una popolazione (o sottopopolazione) di 45 pazienti normali e patologici. Inoltre, è stato condotto uno studio preliminare sulla possibile applicazione di tale approccio inter-modale basato su modelli statistici ad altre strutture, come il rene policistico sinistro.