Deep learning-based segmentation of the aorta from dynamic 2D magnetic resonance images

Aortic stiffness is a relevant indicator of cardiovascular pathology, and its measurement plays a crucial role in diagnosing disease conditions and predicting patients outcomes. However, accurately segmenting the aorta from 2D dynamic Magnetic Resonance Imaging (MRI) images using traditional image processing poses significant challenges being time consuming and subject to operator variability. This thesis presents a novel approach for the automated segmentation of the aortic lumen from dynamic velocity encoded 2D MRI images, using deep learning techniques and specifically the UNet++ architecture. This architecture, known for its ability to capture fine-grained details and effectively handle semantic segmentation tasks, serves as the foundation for the developed model. The architecture incorporates skip connections and dense connections to enable the efficient extraction of features at multiple scales. Several algorithms have been developed: a vanilla UNet++ taking the entire image as an input, a second UNet++ taking the image cropped on a Region of Interest (ROI) surrounding both the ascending (AAo) and the descending (DAo) aorta; and two UNet++ taking as input two independent ROIs corresponding to the AAo or the DAo. Extensive experiments were conducted to fine-tune hyperparameters and assess the impact of different training configurations on the model’s performance. The results of the experiments, achieved on a database of 403 patients, demonstrated the effectiveness of the Vanilla method and the AAo and DAo-centered method in accurately segmenting the aorta from 2D dynamic MRI images. Both methods achieved a high Dice coefficient higher than 0.97 and low Hausdorff distances smaller than 2 pixels, indicating a strong agreement between the prediction and the ground truth segmentations. In conclusion, this thesis presents a novel approach for the segmentation of the aorta on 2D dynamic MRI images using the UNet++ architecture. The developed model exhibits promising results and therefore has the potential to aid clinicians in accurate and fully automated aortic segmentation, thus facilitating the diagnosis and treatment of cardiovascular diseases.

La rigidità aortica è un indicatore rilevante della patologia cardiovascolare e la sua misurazione svolge un ruolo cruciale nella diagnosi delle condizioni patologiche e nella previsione degli esiti dei pazienti. Tuttavia, l’accurata segmentazione dell’aorta da immagini di Risonanza Magnetica (RM) dinamica 2D mediante l’elaborazione tradizionale delle immagini pone sfide significative in quanto richiede tempo ed è soggetta alla variabilità dell’operatore. Questa tesi presenta un approccio innovativo per la segmentazione automatica del lume aortico da immagini di RM 2D con codifica della velocità dinamica, utilizzando tecniche di Deep Learning (DL) e in particolare l’architettura UNet++. Questa architettura, nota per la sua capacità di catturare dettagli a grana fine e di gestire efficacemente compiti di segmentazione semantica, funge da base per il modello sviluppato. L’architettura incorpora connessioni saltate e dense per consentire l’estrazione efficiente di caratteristiche a più scale. Sono stati sviluppati diversi algoritmi: un UNet++ vanilla che prende in input l’intera immagine, un secondo UNet++ che prende in input l’immagine ritagliata su una regione d’interesse (ROI) che circonda sia l’aorta ascendente (AAo) che quella discendente (Dao); e due UNet++ che prendono in input due ROI indipendenti corrispondenti all’AAo o alla DAo. Sono stati condotti esperimenti approfonditi per mettere a punto gli iperparametri e valutare l’impatto di diverse configurazioni di addestramento sulle prestazioni del modello. I risultati degli esperimenti, ottenuti su un database di 403 pazienti, hanno dimostrato l’efficacia del metodo Vanilla e del metodo centrato su AAo e DAo nel segmentare accuratamente l’aorta da immagini RM dinamiche 2D. Entrambi i metodi hanno ottenuto un coefficiente Dice elevato, superiore a 0.97, e distanze di Hausdorff ridotte, inferiori a 2 pixel, indicando una forte concordanza tra le segmentazioni previste e quelle reali. In conclusione, questa tesi presenta un nuovo approccio per la segmentazione dell’aorta su immagini di RM dinamica 2D utilizzando l’architettura UNet++. Il modello sviluppato mostra risultati promettenti e ha quindi il potenziale per aiutare i medici nella segmentazione accurata e completamente automatizzata dell’aorta, facilitando così la diagnosi e il trattamento delle malattie cardiovascolari.