Avaliação automatizada do lúmen braquial em exames de ultrassonografia cardiovascular utilizando aprendizado de máquina

Abstract

As doenças cardiovasculares (DCV) são a principal causa de morte em todo o mundo, ceifando cerca de 17,9 milhões de vidas a cada ano. As DCV são um grupo de doenças do coração e dos vasos sanguíneos e incluem doenças coronárias, doenças cerebrovasculares, doenças cardíacas reumáticas e outras condições. Os fatores de risco comportamentais mais importantes para doenças cardíacas e AVC são alimentação pouco saudável, inatividade física, consumo de tabaco e consumo nocivo de álcool. A disfunção endotelial é considerada um evento precoce importante no desenvolvimento da aterosclerose, que precede sinais morfológicos grosseiros e sintomas clínicos. A determinação da função endotelial pode ser feita pela Dilatação Mediada por Fluxo (FMD) que envolve a mensuração da dilatação da artéria braquial após um período transitório de isquemia do antebraço, utilizando um ultrassom. No entanto, é importante ressaltar que o valor da FMD pode ser afetado aleatoriamente por uma aplicação inadequada do método. Por isso, têm sido feitos esforços para padronizar a metodologia de medição da FMD. A mensuração de forma manual da FMD consome um tempo relativamente alto mesmo para profissionais experientes e existem diversos métodos semi automatizados ou automatizados para a solução dessas tarefas de forma mais otimizada. Redes neurais recentemente atraíram muito o interesse, pois impulsionaram o estado da arte em tarefas de visão computacional, como classificação de imagens, detecção e segmentação de objetos. Tais avanços também foram captados pela comunidade de pesquisa em imagens médicas. Portanto, este trabalho de pesquisa possui como objetivo principal realizar uma avaliação automatizada do lúmen da artéria braquial usando imagens de ultrassom obtidas a partir da técnica de FMD. Todos os softwares usados no desenvolvimento deste projeto são open-source. Foram avaliadas 300 imagens (frames) de ultrassom de 3 pacientes dentro do conjunto de 400 vídeos de exames realizados no Hospital de Clínicas da UNICAMP no ambulatório de hipertensão. Dois operadores realizaram o processo de segmentação dos frames, um de forma manual e o outro de forma semi automatizada. A rede neural CMUNeXt foi selecionada para realizar a segmentação de forma automática, alcançando métricas de desempenho notáveis em comparação com os operadores. Para o operador 1, as métricas foram as seguintes: IoU: 92,7% ± 2,9% e Acurácia: 98,7% ± 0,5. Enquanto para o operador 2 as métricas foram melhores: IoU: 96,5% ± 1,2; Acurácia: 99,4% ± 0,2. Todos os valores obtidos dessas métricas estão em conformidade com o estado da arte, permitindo-nos estimar, com o auxílio de outro algoritmo, o diâmetro em milímetros da artéria braquial a partir das imagens segmentadas (máscaras) pela rede neural. Esse estudo revela-se altamente promissor, sugerindo a possibilidade de diversos trabalhos futuros que podem surgir a partir do aprimoramento contínuo de todo o processo.

Abstract: Cardiovascular diseases (CVD) are the leading cause of death worldwide, claiming around 17.9 million lives each year. CVDs are a group of diseases of the heart and blood vessels and include coronary heart disease, cerebrovascular disease, rheumatic heart disease, and other conditions. The most important behavioral risk factors for heart disease and stroke are unhealthy diet, physical inactivity, tobacco use and harmful alcohol consumption. Endothelial dysfunction is considered an important early event in the development of atherosclerosis, which precedes gross morphological signs and clinical symptoms. The determination of endothelial function can be made by Flow Mediated Dilation (FMD), which involves measuring the dilation of the brachial artery after a transient period of ischemia of the forearm, using an ultrasound. However, it is important to highlight that the FMD value can be randomly affected by an inadequate application of the method. Therefore, efforts have been made to standardize the FMD measurement methodology. Manually measuring FMD is relatively time consuming even for experienced professionals and there are several semi-automated or automated methods for solving these tasks in a more optimized way. Neural networks have recently attracted a lot of interest as they have driven the state of the art in computer vision tasks such as image classification, object detection and segmentation. Such advances have also been captured by the medical imaging research community. Therefore, this research work's main objective is to perform an automated assessment of the brachial artery lumen using ultrasound images obtained from the FMD technique. All software used in the development of this project is o?en-source. 300 ultrasound images (frames) of 3 patients were evaluated within the set of 400 videos of exams carried out at the Hospital de Clínicas da UNICAMP in the hypertension outpatient clinic. Two operators carried out the frame segmentation process, one manually and the other semi-automated. The CMUNeXt neural network was selected to perform the segmentation automatically, achieving notable performance metrics compared to operators. For operator 1, the metrics were as follows: IoU: 92.7% ± 2.9; Accuracy: 98.7% ± 0.5. While for operator 2, the metrics were even better: IoU: 96.5% ± 1.2; Accuracy: 99.4% ± 0.2. All values obtained from these metrics are in accordance with the state of the art, allowing us to estimate, with the help of another algorithm, the diameter in millimeters of the brachial artery from the images segmented (masks) by the neural network. This study appears to be highly promising, suggesting the possibility of several future works that may arise from the continuous improvement of the entire process.