Automatic segmentation framework for left atrial appendage orifice identification from 3D echocardiography

Atrial fibrillation is one of the most common cardiac arrhythmias, affecting more than 33 million people worldwide. Patients with atrial fibrillation (AF) are at high risk of stroke and have to undergo life-long anticoagulation therapy. To decrease the risk of stroke in patients who are not suited for this kind of pharmacological therapy, Left Atrial Appendage Closure (LAAC) is the gold standard treatment. However, as of today, the outcome of this minimally invasive percutaneous procedure is highly operator-dependent. To reduce the complexity of the procedure and minimize its risks, the EU-funded ARTERY project is working towards providing a radiation-free approach via robotic catheters. The present work aims at presenting a novel approach for detecting the Left Atrial Appendage (LAA) orifice from 3D transesophageal echocardiography (TEE), thus providing a robotic system with fundamental information relative to occlusion device positioning during LAAC. In this study, a deep-learning-based approach for segmenting the LAA total volume from 3D TEE is presented, followed by an orifice detection algorithm that allows the identification of the LAA orifice starting from the network-segmented masks. The main goal of this work was to identify the position and orientation of the orifice inside the LAA, which are required for correct occlusion device sizing and positioning. The results obtained with this method are computed as a comparison between the detected orifice and its manually segmented ground truth, which was performed mainly through distance metrics. In this regard, the method achieved a mean value of the Euclidean Distance between the center of the detected orifice and the center of the ground truth of 2.53 ± 1.49 mm, while the angle between the normal vectors to the orifices’ planes was of 11.47◦±7.45◦.

La fibrillazione atriale è una delle più comuni aritmie cardiache, che coinvolge più di 33 milioni di persone in tutto il mondo. I pazienti affetti da fibrillazione atriale sono ad alto rischio di ictus e devono essere sottoposti ad una terapia anticoagulante per tutta la vita. Per diminuire il rischio di ictus nei pazienti non adatti a questo tipo di terapia farmacologica, l’occlusione dell’auricola sinistra (LAAC) è lo standard di riferimento tra le possibili cure mediche. Tuttavia, ad oggi, l’esito di questa procedura percutanea mini-invasiva dipende fortemente dall’operatore che la esegue. Per ridurre la complessità della pro- cedura e minimizzarne i rischi, il progetto ARTERY, finanziato dall’UE, si dedica allo sviluppo di un approccio privo di radiazioni tramite l’utilizzo di cateteri robotizzati. Questo lavoro mira a presentare un nuovo approccio per individuare l’orifizio dell’auricola sinistra (LAA) da ecocardiografie 3D transesofagee (TEE), così da fornire ad un sistema robotico informazioni fondamentali relative al posizionamento del dispositivo di occlusione durante l’occlusione dell’auricola sinitra. In questo studio viene presentato un approccio basato sul deep learning per la segmentazione dell’auricola sinistra da immagini ecocardiografiche. Successivamente, viene proposto un algoritmo per l’individuazione dell’orifizio a partire dalle maschere generate dalla rete neurale. L’obiettivo principale del lavoro è stato quello di identificare la posizione e l’orientamento dell’orifizio, fondamentali per il corretto dimensionamento e posizionamento del dispositivo di occlusione. I risultati ottenuti con questo metodo sono stati calcolati confrontando l’orifizio identificato dall’algoritmo con le rispettive segmentazioni ground truth effettuate manualmente. Tale confronto è stato svolto prevalentemente attraverso metriche di distanza. A questo proposito, il metodo ha ottenuto un valore di Distanza Euclidea tra il centro dell’orifizio identificato dall’algoritmo e il centro della ground truth di 2.53±1.49 mm, mentre l’angolo tra i vettori normali ai piani degli orifizi è stato calcolato a 11.47◦±7.45◦.