Cardio-respiratory motion compensation for radiation dose reduction in X-ray guided cardiac interventions

Azizmohammadi, Fariba (2022). Cardio-respiratory motion compensation for radiation dose reduction in X-ray guided cardiac interventions. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

Cardiac diseases affect a large population and especially children, every year. Congenital Heart Disease (CHD) is the most common type of birth malformation worldwide. CHD is caused by abnormalities in heart structure before birth. It is imperative to advance the treatment techniques to be as less invasive as possible. One popular treatment for CHD is X-ray image-guided interventional procedures that have gained popularity over the past two decades.

Navigation guidance during cardiac interventions, such as balloon angioplasty and stent placement, is generally performed under X-ray fluoroscopy. Patients with CHD are exposed to substantial amounts of ionizing radiation from diagnostic and treatment procedures. In recent years, the number of complex, long-duration pediatric cardiac interventions has risen significantly.

During the cardiac intervention, several organs, including the arteries, are moving, given the heart beating, respiratory movement, and sometimes the patient’s movements. These movements degrade image acquisition and make the navigation process more difficult.

This research’s main goal was to develop less invasive techniques to apply for pediatric cardiac interventions. We pursued this goal by minimizing the radiation dose the patient and staff received and compensating for the induced motions by estimating and predicting the targets’ (arteries) movements. Moreover, while the targets’ movements are tracked in the images, the need to inject the contrast agent to visualize the vessels will be reduced.

In the context of this research, we developed and validated our approaches using both simulated and patient X-ray angiography datasets from Sainte-Justine Hospital. Simulated X-ray sequences generated from realistic XCAT computational phantoms with cardio-respiratory motion were first investigated. The simulated motion included the beating heart and respiratory motion. We simulated 56 different patients (32 male and 24 female) and 112 sequences (2 sequences per patient, showing either the left or the right coronary artery). All the generated sequences had a length of 75 frames and were generated at 15 frames per second (fps). The patient X-ray angiography dataset comprises 52 different patients with contrasted coronary arteries. Each patient presents a different number of sequences with varying lengths. There is a total number of 340 sequences, with a minimum and maximum length of 15 and 70 frames, respectively. All the data were acquired at 15 fps.

In the first objective, a generative learning-based approach was proposed to predict X-ray angiography frames to reduce the amount of radiation exposure to pediatric patients and the staff during cardiac interventions while preserving the image quality.

In the second objective, we focused on extracting 2D motion features from the X-ray sequences first and then building up a "predict-ahead" motion model for navigating the interventions. Our model-free cardio-respiratory motion estimation approach can predict cyclic cardio-respiratory motion signals artifacted by sudden motions caused by the patients or some irregularities. This approach was developed and validated with both simulated and patient datasets.

For the third objective, using the simulated dataset and based on our experiment on the second objective, we investigated the different motion patterns between males and females. The research will offer a general solution that does not require additional imaging modality while providing an accurate motion prediction and estimation. The methodologies to achieve these objectives are based on deep learning algorithms by first extracting motion features from the images and tracking these features.

We believe that learning-based approaches can pave the road for better assessment of cardiovascular motion and radiation dose reduction for the patients and staff. Thus, in this thesis, we have applied deep learning methods to facilitate the desired less-invasive cardiac interventions.

Titre traduit

Compensation des mouvements cardio-respiratoires et réduction de la dose de rayonnement pour les interventions cardiaques guidées par rayons X

Résumé traduit

Les maladies des artères coronaires (MAC) affectent un grand nombre d’enfants chaque année et constituent le type de malformations congénitales le plus courant dans le monde. Les MAC sont dus à des anomalies du cœur avant la naissance. Il est impératif d’améliorer les techniques de traitement pour qu’elles soient le moins invasives possible. Les procédures interventionnelles, guidées par imagerie par rayons X, ont connu un essor considérable au cours des deux dernières décennies. Elles constituent, à ce jour, l’un des traitements les plus populaires des MAC.

Le guidage de la navigation pendant les interventions cardiaques, telles que l’angioplastie et principalement la pose d’endoprothèses, est généralement effectué sous fluoroscopie par rayons X. Les patients atteints de MAC sont exposés à des quantités importantes de rayonnements ionisants lors des procédures de diagnostic et de traitement. Ces dernières années, le nombre d’interventions cardiaques pédiatriques complexes et de longue durée a considérablement augmenté.

Pendant une intervention cardiaque, plusieurs organes, y compris les artères, sont en mouvement en raison des battements du cœur, des mouvements respiratoires et parfois des mouvements du patient. Ces mouvements dégradent l’acquisition d’images et rendent le processus de navigation plus difficile. L’objectif principal de cette recherche était de trouver des techniques moins invasives à appliquer pour les interventions cardiaques pédiatriques. Nous avons pour cela proposé la réduction de la dose de radiation reçue par le patient et le personnel, ainsi que de la quantité d’agents de contraste utilisés, en mettant en place des techniques de prédiction de mouvement. Dans le cadre de cette recherche, nous avons développé et validé nos approches en utilisant des ensembles des données issues de l’hôpital Sainte-Justine mêlées à des simulations cardio-respiratoires. Nous avons d’abord étudié des séquences cardio-respiratoires simulées de rayons X générées en utilisant le simulateur XCAT. Nous avons simulé un total de 56 patients différents (32 hommes et 24 femmes) totalisant 112 séquences (2 séquences par patient, montrant l’artère coronaire gauche ou droit). Toutes les séquences générées avaient une longueur de 75 images et une fréquence de15 images par seconde.

Notre ensemble de données médicales est composé de 52 patients. Chaque patient présente un nombre différent de séquences, avec des longueurs variables. Il y a un nombre total de 340 séquences, avec une longueur minimale et maximale de 15 et 70 images respectivement. Toutes les données ont été acquises à une fréquence de 15 images par seconde.

Dans le premier objectif, une approche basée sur l’apprentissage automatique a été proposée pour prédire les images d’angiographie à rayons X afin de réduire l’exposition aux radiations des patients pédiatriques et du personnel pendant les interventions cardiaques tout en préservant la qualité de l’image.

Dans le deuxième objectif, nous nous sommes d’abord concentrés sur l’extraction des caractéristiques 2D de mouvement à partir des séquences de rayons X, puis sur la construction d’un modèle prédictif de mouvement pour la navigation des interventions. Notre approche est capable de prédire le signal cyclique du mouvement cardio-respiratoire bruité par les mouvements soudains causés par les patients ou autres irrégularités. Cette approche a été développée et validée sur les ensembles de données simulées et celles des patients.

Pour le troisième objectif, en utilisant l’ensemble de données simulées, nous avons étudié les différents patrons de mouvement entre les hommes et les femmes. La recherche offre une solution générale qui ne nécessite pas de modalité d’imagerie supplémentaire tout en fournissant une prédiction, une estimation et une compensation précises.

Les méthodologies pour atteindre ces objectifs sont basées sur des algorithmes d’apprentissage profond (réseaux neuronaux récurrents) en extrayant d’abord les caractéristiques de mouvement des images et en suivant ces caractéristiques.

Nous pensons que les approches basées sur l’apprentissage peuvent ouvrir la voie à une meilleure évaluation des maladies cardiovasculaires en proposant une réduction de la dose de radiation pour les patients et le personnel. Dans cette thèse nous appliquons des méthodes d’apprentissage profond pour les interventions cardiaques minimalement invasives.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 62-70).
Mots-clés libres:	angiographie à rayons X, mouvement cardio-respiratoire, réduction de la dose, prédiction du mouvement
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Duong, Luc
Programme:	Doctorat en génie > Génie
Date de dépôt:	30 janv. 2023 19:32
Dernière modification:	30 janv. 2023 19:32
URI:	https://espace.etsmtl.ca/id/eprint/3133

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt