A neural network approach for reconstruction of cardiac electroanatomical maps

The patho-physiological mechanisms of atrial fibrillation (AF) are highly patient-specific, necessitating personalized therapeutic interventions, known as ablation procedures, that target specific regions of the left atrium (LA). Target identification relies on Electroanatomical (EA) maps, which are post-processed from noisy and sparse pointwise measurements and associated electrogram signals acquired by a catheter, and serve as a guide for navigating the geometry and electrophysiological properties of the tissue. This thesis presents a novel approach that employs neural networks (NNs) to reconstruct EA maps of the LA endocardium surface and local electrical quantities of interest, such as activation times (AT) and electrograms. We first focus on learning implicit representations of 3D shapes using NNs to approximate Signed Distance Functions: we devise a training technique that use geometrical data both in an unsupervised and semi-supervised fashion by combining data fidelity and geometric regularization loss terms. Subsequently, we train a second NN to predict activation time distribution over the reconstructed geometry. Incorporating temporal and spatial constraints of the first geometrical NN, in the training process of this second NN ensures coherence with the actual dynamics of signal propagation in the atrium. Finally, we describe a method for reconstructing the unipolar potential from a set of electrograms using a third NN. Trained with different input combinations, including predicted AT and geometric embeddings from previous networks, this approach reconstruct the overall spatio-temporal behavior from sparse data. We provide numerical results to verify the proposed approach on an idealized spherical test case and on realistic EA data. We achieve a relative error of less than 5% on the reconstructed sphere radius and a faithful differentiable geometrical reconstruction of the patient, that is validated against an alternative imaging technique. Activation maps and their gradient approximation present a limited reconstruction error of 2% on synthetical data and of 5% on the EA data. The electrogram reconstruction model predicts the overall trend on the clinical data, and demonstrates high accuracy on the benchmark dataset.

I meccanismi fisiopatologici della fibrillazione atriale sono altamente specifici per ogni paziente e richiedono interventi terapeutici personalizzati, noti come procedure di ablazione, che mirano a regioni specifiche dell'atrio sinistro (LA). Le mappe elettroanatomiche (EA) servono come guida per esplorare il tessuto cardiaco al fine di identificare le aree bersaglio per l'intervento. Queste mappe sono costituite da misurazioni rumorose e da segnali elettrici, che richiedono tecniche di elaborazione per estrarre informazioni utili clinicamente. Questa tesi presenta un approccio innovativo che impiega reti neurali (NN) per ricostruire mappe EA della superficie del LA e quantità elettriche di interesse, come tempi di attivazione (AT) e elettrogrammi. In primo luogo ci concentriamo sull'apprendimento di rappresentazioni implicite di geometrie utilizzando NN per approssimare le loro funzioni di distanza: abbiamo ideato una tecnica di addestramento che utilizza i dati geometrici sia in modo non supervisionato che semi-supervisionato, combinando nella funzione costo termini di fedeltà ai dati e di regolarizzazione geometrica. Addestriamo poi una seconda NN che prevede la distribuzione del tempo di attivazione sulla geometria ricostruita: tramite vincoli temporali e spaziali basati sulla prima rete addestriamo la seconda NN garantendo il rispetto delle dinamiche di propagazione del segnale. Infine, descriviamo un metodo per ricostruire l'intero segnale a partire dalla mappa EA usando una terza NN. Usando diverse combinazioni di input, tra cui il tempo di attivazione e la rappresentazione geometrica originati dalle reti precedenti, riusciamo a riprodurre le caratteristiche principali dei segnali reali e a ottenere un'elevata efficacia sui dati di test. Forniamo risultati per verificare l'approccio su un caso di prova sferico idealizzato e su dati EA realistici, ottenendo un errore relativo inferiore al 5% sul raggio della sfera e una ricostruzione geometrica fedele del paziente, convalidata rispetto a una tecnica di imaging alternativa. Le mappe di attivazione e la loro approssimazione del gradiente presentano un errore di ricostruzione del 2% sui dati sintetici e 5% sui dati EA. Il modello di ricostruzione degli elettrogrammi predice l'andamento generale sui dati clinici ed è molto accurato sui dati di test.