Роль обработки изображений в количественной оценке сердечной функции при эхокардиографии

Эхокардиография остается краеугольным камнем неинвазивной кардиовизуализации, обеспечивая визуализацию структуры и функции сердца в режиме реального времени.В то время как традиционная качественная оценка была бесценной, количественный анализ эхокардиографических изображений стал критическим компонентом для точной диагностики, прогноза и мониторинга сердечно-сосудистых заболеваний. Недавние разработки в области обработки изображений, от классических алгоритмов компьютерного зрения до методов глубокого обучения, значительно улучшили точность, воспроизводимость и автоматизацию этих количественных измерений. В этой статье исследуется, как технологии обработки изображений превращают эхокардиографию в более объективный и мощный диагностический инструмент.

Введение в эхокардиографию и количественную оценку сердечной деятельности

Эхокардиография использует высокочастотное ультразвуковое исследование для генерации динамических изображений сердца, что позволяет клиницистам оценивать размеры камер, толщину стенок, глобальное и региональное движение стенок, клапанную функцию и гемодинамические параметры. Количественная оценка включает в себя извлечение численных значений, таких как фракция выброса левого желудочка (LVEF), деформация миокарда, сердечный выброс и параметры диастолического наполнения. Исторически многие из этих измерений выполнялись вручную, опираясь на визуальную оценку или разграничение структур на основе суппорта. Этот ручной подход является трудоемким, подверженным вариабельности между и внутринаблюдателями и может пропустить тонкие, но клинически значимые изменения с течением времени.

Методы обработки изображений устраняют эти недостатки, автоматизируя обнаружение границ, отслеживая движение тканей и реконструируя трехмерные (3D) модели. Они уменьшают зависимость оператора, стандартизируют измерения на разных машинах и считывателях и позволяют анализировать большие наборы данных. Поскольку сердечно-сосудистые заболевания остаются ведущей причиной заболеваемости и смертности, повышение точности эхокардиографической количественной оценки жизненно важно для раннего обнаружения, руководства лечением и стратификации риска.

Фундаментальные методы обработки изображений в эхокардиографии

Несколько методов обработки изображений составляют основу количественного эхокардиографического анализа. Каждая техника нацелена на конкретные задачи, связанные с ультразвуковыми изображениями, такими как низкое отношение сигнала к шуму, шум спеклов, граничная двусмысленность и артефакты временного движения.

Обнаружение и сегментация края

Алгоритмы обнаружения края определяют границы между сердечными структурами (например, границы эндокарда и эпикардиала) и бассейном крови. Классические подходы используют операторы градиента (Собел, Канни), активные контуры (змеи) или методы набора уровней. Эти алгоритмы были усовершенствованы для обработки присущего шума и отсева ультразвука. Автоматизированная сегментация эндокарда левого желудочка (LV) в апикальных двух- и четырехкамерных видах позволяет вычислять объемы LV и фракцию выброса с использованием метода Симпсона. В то время как более ранние методы требуют ручной инициализации, современная сегментация часто сочетает обнаружение края с ограничениями на основе модели, такими как априорные формы из тренировочного набора.

Совсем недавно глубокие сверточные нейронные сети (CNN) достигли самых современных показателей в сегментации сердца. Архитектура U-Net, например, может сегментировать LV, правый желудочек и левое предсердие одновременно из одной рамки изображения. Эти модели обучаются на больших аннотированных базах данных и могут обобщать различные ультразвуковые сканеры и популяции пациентов. Полученные сегментации дают объемы и фракцию выброса с точностью, сопоставимой с сердечным магнитным резонансом, эталонным стандартом.

Эхокардиография слежения за шипами (STE)

Спекл-трекинг — это мощная техника обработки изображений, которая количественно анализирует деформацию миокарда. Ультразвуковые эхо-эхо от миокарда производят уникальный рисунок спекла, который действует как естественный акустический отпечаток. Отслеживая смещение этих спеклов по последовательным кадрам с помощью алгоритмов блочного соответствия или оптического потока, программное обеспечение вычисляет скорости миокарда, деформацию деформации (процент деформации) и скорость деформации. Глобальный продольный штамм (GLS) стал ключевым параметром для выявления субклинической дисфункции миокарда и прогнозирования результатов при сердечной недостаточности, вызванной химиотерапией кардиотоксичности, клапанной болезни и гипертрофической кардиомиопатии.

Спекл-трекинг преодолевает угловую зависимость доплеровской визуализации тканей и обеспечивает данные региональной и глобальной деформации в трех измерениях. Автоматизированные алгоритмы контроля качества флаговых сегментов с плохим отслеживанием, обеспечивающие надежность. Улучшения обработки изображений, такие как адаптивная фильтрация спеклов и оценка движения с помощью мультиспектрального анализа, продолжают повышать надежность STE даже в сложных акустических окнах.

Трех- и четырехмерная реконструкция

Объемная (3D) эхокардиография в сочетании с обработкой изображений позволяет получать и реконструировать полное сердце в один удар или несколько ударов. Алгоритмы 3D сегментации, часто использующие деформируемые модели или глубокое обучение, объемы экстракционных камер, массу миокарда и клапанную геометрию без геометрических предположений. Четырехмерная (4D) визуализация добавляет временное измерение, позволяя анализировать динамические изменения в течение сердечного цикла.

Алгоритмы регистрации изображений выравнивают и сливают несколько 3D-томов для улучшения пространственного разрешения и анатомического охвата. Это особенно полезно для оценки правого желудочка, который имеет сложную полумесячную форму, плохо захваченную 2D-видами. Количественные параметры, такие как фракция 3D-извержения, объем удара и индексы диссинхронности (например, индекс систолической диссинхронности), теперь получены из наборов данных 4D, предлагая идеи за пределами традиционных измерений.

Оптический поток и оценка движения

Оптические методы потока оценивают видимое движение паттернов интенсивности изображения между кадрами. В эхокардиографии они используются для вычисления скоростей миокарда, распространения потока и отслеживания тканей без явной сегментации. Эти методы являются вычислительно эффективными и могут обеспечить плотные поля движения по всему миокарду, которые используются для оценки деформации и оценки движения стенки. В сочетании с классификацией на основе интенсивности оптические средства потока для отличия активного от пассивного движения во время сокращения сердца.

Применение в количественной оценке сердца

Интеграция этих методов обработки изображений расширила диапазон количественных параметров, доступных в эхокардиографических исследованиях. Каждый параметр способствует более комплексной оценке сердечной функции.

Левое желудочковое фракционное выталкивание и объемы

Автоматизированная сегментация LV-эндокарда в 2D и 3D-последовательности дает конечные диастолические и конечные систолические объемы, из которых выводится фракция выброса. Современное программное обеспечение может выполнять этот анализ с минимальным человеческим вводом, и результаты тесно согласуются с ручными измерениями биплана Симпсона. Модели глубокого обучения дополнительно сократили время обработки с минут до субсекунды, что позволяет количественно оценивать в реальном времени во время получения изображения. Это позволяет принимать немедленные клинические решения, такие как оценка ответа на терапию или определение потребности в расширенной визуализации.

Миокардальная нагрузка и скорость напряжения

Глобальный продольный штамм стал рекомендуемой мерой для раннего выявления дисфункции миокарда. Трубопроводы обработки изображений автоматически отслеживают пятна в апикальных представлениях и обеспечивают сегментарные и глобальные кривые деформации, пиковый систолический деформация и частоту деформации. Метод был проверен на фоне сономикрометрии и помечен сердечной МРТ. Аномалии деформации предшествуют сокращению фракции выброса, что делает GLS чувствительным маркером субклинических заболеваний в таких условиях, как диабетическая кардиомиопатия, гипертония и клапанная болезнь сердца.

Региональный анализ штаммов может идентифицировать ишемические сегменты и направлять реваскуляризацию. При 4D-визуализации штамма вычисляются радиальные, окружные и продольные компоненты, предлагая полное механистическое понимание механики желудочков. Обработка изображений продолжает совершенствовать точность измерений деформации путем компенсации движения вне плоскости и снижения шума.

Правая желудочковая функция и легочная гемодинамика

Количественная оценка правого желудочка исторически была сложной из-за его геометрии и положения. Обработка изображений в 3D-эхокардиографии позволяет объемное визуализация и сегментация RV с использованием специализированных алгоритмов, которые учитывают его полумесяц. Можно получить такие параметры, как фракция выброса RV, конечный систолический объем и продольный штамм свободной стенки. Эти значения коррелируют с клиническими исходами при легочной гипертензии, врожденной болезни сердца и сердечной недостаточности.

Обработка изображений также помогает в измерении давления легочной артерии от трехстворчатых регургитационных джетов с использованием полуавтоматизированного отслеживания доплеровской оболочки и расчета градиента давления. Модели машинного обучения, обученные на спектральных доплеровских изображениях, теперь могут оценивать давление с уменьшенной вариабельностью между считывателями.

Диастолическая функция и наполнение давления

Оценка диастолической дисфункции опирается на комбинацию скоростей притока митральных частиц (E, A), тканевого доплера митрального аннулуса (e') и объема левого предсердия. Обработка изображений автоматизирует извлечение этих параметров: обнаружение края идентифицирует митральный аннулус, отслеживание спеклов обеспечивает скорости e', а сегментация дает объем левого предсердия. Алгоритмы распознавания образов классифицируют пломбы заполнения (нормальные, нарушенные релаксации, псевдонормальные, ограничительные) с использованием деревьев решений или нейронных сетей. Это снижает сложность клинического рабочего процесса и улучшает согласованность между читателями.

Количественная оценка клапанных заболеваний сердца

Обработка изображений поддерживает количественную оценку стеноза клапанов и регургитации. Для стеноза аорты автоматизированная планиметрия клапанного отверстия из 3D-изображений обеспечивает область анатомического отверстия. Для митральной регургитации расчеты площади поверхности проксимальной изовелосити (PISA) полуавтоматизированы с использованием обнаружения конвергенции потока и измерения радиуса. Модели глубокого обучения были обучены для идентификации струй вены и регургитанта, что позволяет проводить последовательные эффективные измерения регургитантной области отверстия (EROA). Эти инструменты повышают воспроизводимость хирургических решений о времени.

Интеграция искусственного интеллекта и машинного обучения

Самая последняя волна инноваций в обработке эхокардиографических изображений обусловлена искусственным интеллектом (ИИ) и глубоким обучением. Эти методы автоматически изучают функции непосредственно из данных, минуя необходимость в ручных алгоритмах для каждого шага.

Свёрточные нейронные сети применялись для просмотра классификации, сегментации структуры и прогнозирования клинических параметров. Например, одна сеть может получать сырые 2D видеопетли и выводить LVEF с точностью, соответствующей экспертной интерпретации в доли времени. Модели ИИ также предсказывают болезненные состояния (например, гипертрофическую кардиомиопатию, амилоидоз, сердечный тромб) от невидимых человеческому глазу паттернов. Интеграция повторяющихся слоев и механизмов внимания позволяет моделировать временную динамику, улучшая анализ напряжения и движения.

Несколько коммерческих платформ теперь предлагают эхокардиографию с помощью ИИ, которая автоматизирует полный количественный отчет, включая объемы, фракцию выброса, штамм и диастолические параметры. Эти инструменты сокращают время анализа и изменчивость. Однако они требуют тщательной проверки в различных популяциях и ультразвуковом оборудовании. Медицинское сообщество активно разрабатывает стандарты оценки и развертывания ИИ в эхокардиографии.

Для получения дополнительной информации об ИИ в эхокардиографии см. Руководство Американского общества эхокардиографии по ИИ и обзор Sengupta и Marwick (2021) в Журнал Американского общества эхокардиографии . Другим важным ресурсом является рекомендация Европейской ассоциации сердечно-сосудистой визуализации (EACVI) для обработки изображений в деформационной визуализации, доступной на веб-сайте EACVI .

Проблемы и ограничения

Несмотря на эти достижения, в широком внедрении передовых методов обработки изображений в эхокардиографии остается ряд проблем.

Качество изображения и акустические окна

Эхокардиографические изображения по своей природе ограничены анатомией пациента, помехами в легких и навыками оператора. Плохие акустические окна снижают качество сигнала, приводя к сбоям сегментации, ненадежному отслеживанию спеклов и высокой изменчивости. Алгоритмы обработки изображений должны включать модули оценки качества, чтобы отмечать некачественные данные и отклонять ненадежные измерения. Снижение шума и методы супер-разрешения, такие как комбинирование или денозирование на основе глубокого обучения, помогают, но еще не полностью надежны.

Стандартизация и изменчивость

Различия в ультразвуковых аппаратах, типах преобразователей, настройках усиления и протоколах получения изображений вводят изменчивость, которая влияет на производительность алгоритма. Многие модели сегментации и отслеживания обучаются в ограниченном наборе условий и могут не обобщать хорошо. Текущие усилия по созданию многоцентровых наборов данных валидации и внедрению стандартов калибровки (например, цифровое фантомное тестирование) имеют решающее значение для обеспечения последовательной клинической производительности.

Вычислительные и интеграционные барьеры

Обработка в режиме реального времени 3D/4D-наборов данных требует значительных вычислительных ресурсов. Графические процессоры (GPU) и оптимизированные алгоритмы могут смягчить это, но интеграция с существующими системами архивирования изображений в больницах и коммуникационными системами (PACS) и программным обеспечением для рабочих станций эхокардиографии остается непоследовательной. Многие расширенные функции обработки изображений доступны только в качестве дополнительных модулей, ограничивая доступность.

Регуляторная и клиническая валидация

Инструменты обработки изображений на основе ИИ должны проходить строгий нормативный клиренс (например, FDA, маркировка CE) и клиническую валидацию. Скорость инноваций часто опережает доступность высококачественных исследований валидации. Клиницисты требуют уверенности в том, что автоматизированные измерения хорошо работают по всему спектру заболеваний и не вносят систематические ошибки. Системы непрерывного обучения также вызывают обеспокоенность по поводу дрейфа и надзора.

Будущие направления

Несколько перспективных направлений исследований и разработок позволят дополнительно совершенствовать количественную эхокардиографию за счет обработки изображений.

Руководство и обратная связь в реальном времени

Системы ИИ, работающие во время получения изображения, могут направлять снографов на оптимизацию просмотров и автоматически запускать измерения. Например, алгоритм может предупреждать, когда эндокард LV лучше всего визуализируется или когда оптимален доплеровский сигнал. Это повышает эффективность и стандартизирует качество изображения у разных операторов.

Слияние с мультимодальной визуализацией

Сочетание эхокардиографии с другими методами визуализации (например, сердечной КТ, МРТ, ядерной визуализации) посредством регистрации изображений и слияния обеспечивает дополнительную информацию. Методы обработки изображений могут согласовывать 3D-объемы эха с картами жизнеспособности коронарной анатомии КТ или МРТ. Эта интеграция позволяет проводить всесторонние оценки перфузии миокарда, коронарной анатомии и механики из единого слитого пространства данных.

Глубокое обучение для продвинутого биомеханического моделирования

Разрабатываются нейронные сети, которые оценивают напряжения миокарда, сократимость и свойства тканей непосредственно по изображениям. Физико-информированные нейронные сети (PINN) включают знания о сердечной механике для упорядочения решений, дающих оценки региональной жесткости и активного напряжения. Такие модели могут обнаруживать ранние фиброзные изменения или ишемию до появления любой структурной деформации.

Крупномасштабные демографические исследования и цифровые близнецы

Автоматизированные конвейеры обработки изображений позволяют извлекать количественные показатели из миллионов эхокардиограмм в больших популяциях. Эти данные могут использоваться для установления нормативных эталонных диапазонов по возрасту, полу и этнической принадлежности. Кроме того, данные отдельных пациентов могут использоваться для создания вычислительных «цифровых близнецов» — виртуальных сердец, которые имитируют гемодинамику и предсказывают реакцию на вмешательства. Этот персонализированный подход к медицине в значительной степени опирается на надежную обработку изображений для извлечения точных геометрий и граничных условий.

Объясняемый ИИ для клинического доверия

Для содействия внедрению, обработка изображений на основе ИИ должна обеспечивать объяснимые результаты. Такие методы, как карты заметности, тепловые карты внимания и количественная оценка неопределенности, помогают клиницистам понять, почему было сделано конкретное измерение. Когда модель знаменует интересующую область, наложение сетки сегментации или отслеживания позволяет врачу проверить результат. Это создает доверие и позволяет надлежащий человеческий надзор.

Заключение

Обработка изображений стала незаменимым компонентом современной эхокардиографии. От автоматизированного обнаружения краев и отслеживания крапинок до глубокого обучения на основе сегментации и прогнозирования параметров эти технологии повышают точность, воспроизводимость и эффективность количественной оценки сердца. Они позволяют клиницистам выходить за рамки субъективных впечатлений и объективно отслеживать прогрессирование заболевания, реакцию на лечение и прогноз пациента. В то время как проблемы качества изображения, стандартизации и валидации остаются, быстрые темпы алгоритмического улучшения и интеграции с искусственным интеллектом обещают еще больше повысить роль эхокардиографии в сердечно-сосудистой медицине.

Будущее количественной эхокардиографии заключается в плавном слиянии передовой обработки изображений с приобретением в реальном времени, мультимодальной интеграцией и моделированием для конкретных пациентов. По мере того, как эти инструменты становятся более доступными и проверенными в различных группах населения, они позволят клиницистам предоставлять персонализированную, основанную на данных помощь пациентам с сердечными заболеваниями, в конечном итоге улучшая результаты в глобальном масштабе.