AI4CMRexpand - Sistema de processamento e interpretação automatizada de imagens de Ressonância Magnética Cardíaca

O projeto AI4CMRexpand pretende explorar metodologias de última geração no domínio da Inteligência Artificial (IA) e do processamento avançado de imagens médicas, como objetivo de criar novas funcionalidades na solução AI4CMR, que permitam automatizar e otimizar todo o processo de segmentação e interpretação das imagens de RMC. Investigando novas técnicas baseadas em Deep Learning e Redes Neuronais Convolucionais aplicadas à segmentação, quantificação e classificação de imagens cardíacas, pretende-se criar ferramentas com desempenho superior ao estado da arte atual, quer em termos de precisão e robustez do diagnóstico, quer em termos de capacidade de redução tempo necessário de análise e escalabilidade promovendo desta forma a democratização do uso deste tipo de ferramentas. Para garantir uma solução de interpretação completa, pretende-se investigar e desenvolver pipelines para análise automática de vasos sanguíneos. O objetivo será desenvolver uma nova metodologia, assente em métodos avançados de Deep Learning, que tenha capacidade de detetar estruturas vasculares em imagens through-plane de 2D Flow permitindo realizar uma segmentação e quantificação totalmente automática. Esta metodologia operará concomitantemente com a ferramenta atual semiautomática, com o intuito de mitigação de riscos associados a uma identificação dos vasos errada ou complementar a análise de múltiplas estruturas vasculares passíveis de serem identificadas na mesma aquisição. Pretende-se também investigar e desenvolver pipeline para processamento, segmentação e quantificação automática das cavidades auriculares esquerda e direita em imagens de eixo longo de Cine (nomeadamente Cine-2C e Cine-4C). Esta nova metodologia visa complementar a quantificação de Cine de eixo curto, fornecendo medições adicionais para um diagnóstico mais detalhado e preciso da funcionalidade cardíaca. Para facilitar a quantificação paramétrica automatizada das propriedades tecidulares do miocárdio, pretende-se criar modelos de segmentação automática Cross-modalidade para T1 e T2 Mapping. Serão investigados modelos de aprendizagem profunda permitindo uma segmentação automática e precisa e eficiente das sequências de T1 e T2 Mapping. Com isto pretende-se proporcionar uma análise mais detalhada das características do miocárdio, facilitando a avaliação de sua integridade e funcionalidade. Além da segmentação, pretende-se desenvolver uma estratégia de alinhamento de imagens para uniformizar a análise das intensidades dos segmentos do ventrículo esquerdo. Este alinhamento, realizado após a segmentação, visa garantir que os valores de intensidade sejam consistentes e comparáveis, otimizando a análise clínica. Outro dos objetivos é o aumento da capacidade de generalização e robustez da segmentação automática das estruturas ventriculares nas sequências Cine de Eixo Curto (Short-Axis - SA). Devido à variabilidade entre fabricantes de RMC e as diferenças nos protocolos de aquisição do eixo-curto de Cine, é necessário aprimorar a robustez e a capacidade de generalização do módulo de Cine-SA. O objetivo é garantir um desempenho consistente, minimizando o número de correções exigidas pelos clínicos e melhorando a utilidade clínica geral do software. Serão investigados métodos de treino assentes em aprendizagem profunda para tornar a segmentação mais generalizável, criar ferramentas de inspeção de alto nível para garantir coerência na informação e evitar interpretações erradas sobre o resultado do AI4CMR. Ainda no que respeita à capacidade de generalização, pretende-se também desenvolver um Detetor generalista de Região de Interesse (ROI) cardíaco, assente em algoritmos de aprendizagem profunda, capaz de identificar e delinear automaticamente regiões anatómicas chave para otimizar processos subsequentes de segmentação cardíaca nas várias modalidades. A redução da área de interesse a analisar permitirá, a jusante, o desenvolvimento de algoritmos de segmentação condicionados a uma área menor, permitindo aumentar a precisão da segmentação e mitigar os riscos de enviesamento e overfitting. Todos os objetivos referidos serão integrados na solução AI4CMR. A infraestrutura também será alvo de alterações para responder aos desafios propostos e garantir uma resposta adequada. Isto inclui a adição de novas capacidades de processamento para garantir escalabilidade e performance computacional (extensão da capacidades da Gateway responsável por gerir, orquestrar os pedidos de processamento e anonimizar dados); a atualização dos relatórios estruturados com informação complementar e novas medições relativa ao processamento das novas sequências introduzidas no âmbito deste projeto e; a expansão do portefólio de integrações do sistema de relatório com ferramentas de relatório hospitalar. Pretende-se também efetuar modificações significativas nas interfaces do utilizador, não só para expandir a sua aplicabilidade aos novos desenvolvimentos do projeto e torná-la mais amigável.