Automatic quality assessment of focused cardiac ultrasound exams

Abstract

O ecocardiograma dirigido realizado à cabeceira do doente (do inglês focused cardiac ultrasound, FoCUS) refere-se à utilização de imagens de ecografia, obtidas de forma rápida pelos clínicos, para avaliar a estrutura e a função cardíaca. Nos últimos anos, o FoCUS tornou-se uma ferramenta de diagnóstico de primeira linha indispensável, complementando a examinação física tradicional e acelerando a avaliação dos doentes em contexto agudo. Este exame pode ser realizado por uma vasta gama de médicos, de várias especialidades e com diferentes níveis de experiência, os quais devem ser proficientes na aquisição e interpretação das imagens. Estando a sua acuidade clínica intrinsecamente dependente da competência do utilizador, é expectável que operadores menos experientes estejam sujeitos a adquirir imagens das diferentes janelas acústicas cardíacas com uma qualidade inadequada. Com o objetivo de ajudar os sonógrafos a adquirir vídeos de FoCUS com elevada qualidade, esta tese propõe uma framework de avaliação automática de qualidade em duas etapas. A primeira etapa consiste na classificação de cada vídeo em uma das sete vistas de FoCUS. Para tal, propõe-se uma rede neuronal com arquitetura 3D baseada na ResNet-18, aliada a uma estratégia de augmentation que tira proveito das especificidades do ciclo cardíaco e a uma rotina de inferência à base de múltiplos clips. Esta metodologia e os seus componentes foram avaliados através de um conjunto extenso de testes, onde mostraram acurácia e robustez. Num conjunto independente de dados de teste, esta proposta obteve um MCC de 0.9569 e uma média de F1 de 0.9501. Após separar os vídeos por vistas, um conjunto de modelos especificamente treinados para cada vista avalia os vários atributos de qualidade e dá uma nota geral à qualidade da aquisição. O feedback foca-se em elementos como o ganho e a profundidade da imagem, ou a presença dos referenciais anatómicos necessários em cada janela cardíaca. No presente trabalho, os modelos propostos focaram se nas vistas subxifóide, apical quatro câmaras e veia cava inferior. Apesar de limitados pelo elevado desbalanceamento entre classes e pelo ruído nas anotações, os modelos propostos obtiveram um MCC médio de 0.6024 e um F1 médio de 0.7243 num conjunto independente de dados de teste. Com esta proposta, pretende-se apoiar a formação de profissionais médicos em FoCUS, bem como a sua prática clínica, para desta forma melhorar o cuidado prestado aos pacientes.

Focused cardiac ultrasound (FoCUS) refers to the use of ultrasound imaging to evaluate cardiac structure and function at the bedside by a treating physician. In recent years, FoCUS has become an indispensable first-line diagnostic tool, complementing the traditional physical examination and accelerating patients’ evaluation in acute care settings. FoCUS may be carried out by a wide range of medical professionals, with varied specialties and backgrounds, all of whom should be proficient in image acquisition and interpretation. With its clinical efficacy tightly dependent on the operator’s skill, while experienced practitioners are expected to easily find and acquire each cardiac window, less trained technicians are prone to obtain images with suboptimal quality. Aiming to assist ultrasonography practitioners to acquire high quality FoCUS videos, this thesis proposes the development of a two-stage automatic quality assessment framework. The first stage comprehends the classification of each video into one of seven FoCUS views. To do so, a 3D neural network architecture based on the ResNet-18 was proposed, along with a training strategy that leverages of domain knowledge into the augmentation scheme and a multi-clip inference routine. This pipeline and the blocks it entails were evaluated in an extensive set of experiments, showing its accuracy and robustness. In a held-out test set, the proposal achieved a MCC of 0.9569 and a macro averaged F1-score of 0.9501. Upon being separated by views, each video is then passed through view-specific models that assess a variety of quality attributes and provide an overall acquisition quality score. The quality feedback focuses on features such as image gain, acquisition depth, and the presence of the necessary anatomical references in each cardiac window. At this stage, the current work focused in the subxiphoid, apical four chamber and inferior vena cava views. Despite affected by class imbalance and noisy labels, the proposed models achieved an average MCC of 0.6024 and an average F1-score of 0.7243 on the held-out test set. With this proposal, one intends to support medical professionals performing FoCUS in clinical practice, allowing them to improve their technique, and, in this way, improve patients’ care.