Quantification of cardiac left ventricular (LV) motion from medical images provides a non-invasive method for diagnosing cardiovascular disease (CVD). The proposed study continues our group\'s line of research in quantification of LV motion by applying optical flow (OF) techniques to quantify LV motion in gated Rubidium Chloride-82Rb (82Rb) and Fluorodeoxyglucose-18F (FDG) PET image sequences. The following challenges arise from this work: (i) the motion vector field (MVF) should be made as accurate as possible to maximise sensitivity and specificity; (ii) the MVF is large and composed of 3D vectors in 3D space, making visual extraction of information for medical diagnosis dffcult by human observers. Approaches to improve the accuracy of motion quantification were developed. While the volume of interest is the region of the MVF corresponding to the LV myocardium, non-zero values of motion exist outside this volume due to artefacts in the motion detection method or from neighbouring structures, such as the right ventricle. Improvements in accuracy can be obtained by segmenting the LV and setting the MVF to zero outside the LV. The LV myocardium was automatically segmented in short-axis slices using the Hough circle transform to provide an initialisation to the distance regularised level set evolution algorithm. Our segmentation method attained Dice similarity measure of 93.43% when tested over 395 FDG slices, compared with manual segmentation. Strategies for improving OF performance at motion boundaries were investigated using spatially varying averaging filters, applied to synthetic image sequences. Results showed improvements in motion quantification accuracy using these methods. Kinetic Energy Index (KEf), an indicator of cardiac motility, was used to assess 63 individuals with normal and altered/low cardiac function from a 82Rb PET image database. Sensitivity and specificity tests were performed to evaluate the potential of KEf as a classifier of cardiac function, using LV ejection fraction as gold standard. A receiver operating characteristics curve was constructed, which provided an area under the curve of 0.906. Analysis of LV motion can be simplified by visualisation of directional motion field components, namely radial, rotational (or circumferential) and linear, obtained through automated decomposition. The Discrete Helmholtz Hodge Decomposition (DHHD) was used to generate these components in an automated manner, with a validation performed using synthetic cardiac motion fields from the Extended Cardiac Torso phantom. Finally, the DHHD was applied to OF fields from gated FDG images, allowing an analysis of directional components from an individual with normal cardiac function and a patient with low function and a pacemaker fitted. Motion field quantification from PET images allows the development of new indicators to diagnose CVDs. The ability of these motility indicators depends on the accuracy of the quantification of movement, which in turn can be determined by characteristics of the input images, such as noise. Motion analysis provides a promising and unprecedented approach to the diagnosis of CVDs. / A quantificação do movimento cardíaco do ventrículo esquerdo (VE) a partir de imagens médicas fornece um método não invasivo para o diagnóstico de doenças cardiovasculares (DCV). O estudo aqui proposto continua na mesma linha de pesquisa do nosso grupo sobre quantificação do movimento do VE por meio de técnicas de fluxo óptico (FO), aplicando estes métodos para quantificar o movimento do VE em sequências de imagens associadas às substâncias de cloreto de rubídio-82Rb (82Rb) e fluorodeoxiglucose-18F (FDG) PET. Com a extração dos campos vetoriais surgiram os seguintes desafios: (i) o campo vetorial de movimento (motion vector field, MVF) deve ser feito da forma mais precisa possível para maximizar a sensibilidade e especificidade; (ii) o MVF é extenso e composto de vetores 3D no espaço 3D, dificultando a análise visual de informações por observadores humanos para o diagnóstico médico. Foram desenvolvidas abordagens para melhorar a precisão da quantificação de movimento, considerando que o volume de interesse seja a região do MVF correspondente ao miocárdio do VE, em que valores de movimento não nulos existem fora deste volume devido aos artefatos do método de detecção de movimento ou de estruturas vizinhas, como o ventrículo direito. As melhorias na precisão foram obtidas segmentando o VE e ajustando os valores de MVF para zero fora do VE. O miocárdio VE foi segmentado automaticamente em fatias de eixo curto usando a Transformada de Hough na detecção de círculos para fornecer uma inicialização ao algoritmo de curvas de nível, um tipo de modelo deformável. A segmentação automática do VE atingiu 93,43% de medida de similaridade Dice, quando foi testado em 395 fatias de eixo menor de FDG, comparado com a segmentação manual. Estratégias para melhorar o desempenho do algoritmo OF nas bordas de movimento foram investigadas usando spatially varying averaging filters, aplicados em seqüências de imagens sintéticas. Os resultados mostraram melhorias na precisão de quantificação de movimento utilizando estes métodos. O Índice de Energia Cinética (KEf), um indicador de motilidade cardíaca, foi utilizado para avaliar 63 sujeitos com função cardíaca normal e alterada / baixa de uma base de dados de imagens PET de 82Rb. Foram realizados testes de sensibilidade e especificidade para avaliar o potencial de KEf para classificar a função cardíaca, utilizando a fração de ejeção do VE como padrão ouro. Foi construída uma curva ROC, que proporcionou uma área sob a curva de 0,906. A análise do movimento do VE pode ser simplificada pela visualização de componentes de campo de movimento direcional, ou seja, radial, rotacional (ou circunferencial) e linear, obtidos por decomposição automatizada. A decomposição discreta de Helmholtz Hodge (DHHD) foi utilizada para gerar estes componentes de forma automatizada, com uma validação utilizando campos de movimento cardíaco sintéticos a partir do conjunto Extended Cardiac Torso Phantom. Finalmente, o método DHHD foi aplicado a campos de FO, criado a partir de imagens FDG, permitindo uma análise de componentes direcionais de um indivíduo com função cardíaca normal e um paciente com baixa função e utilizando um marca-passo. A quantificação do campo de movimento a partir de imagens PET possibilita o desenvolvimento de novos indicadores para diagnosticar DCVs. A capacidade destes indicadores de motilidade depende na precisão da quantificação de movimento que, por sua vez, pode ser determinado por características das imagens de entrada como ruído. A análise de movimento fornece um promissor e sem precedente método para o diagnóstico de DCVs.

Quantification of cardiac left ventricular (LV) motion from medical images provides a non-invasive method for diagnosing cardiovascular disease (CVD). The proposed study continues our group\'s line of research in quantification of LV motion by applying optical flow (OF) techniques to quantify LV motion in gated Rubidium Chloride-82Rb (82Rb) and Fluorodeoxyglucose-18F (FDG) PET image sequences. The following challenges arise from this work: (i) the motion vector field (MVF) should be made as accurate as possible to maximise sensitivity and specificity; (ii) the MVF is large and composed of 3D vectors in 3D space, making visual extraction of information for medical diagnosis dffcult by human observers. Approaches to improve the accuracy of motion quantification were developed. While the volume of interest is the region of the MVF corresponding to the LV myocardium, non-zero values of motion exist outside this volume due to artefacts in the motion detection method or from neighbouring structures, such as the right ventricle. Improvements in accuracy can be obtained by segmenting the LV and setting the MVF to zero outside the LV. The LV myocardium was automatically segmented in short-axis slices using the Hough circle transform to provide an initialisation to the distance regularised level set evolution algorithm. Our segmentation method attained Dice similarity measure of 93.43% when tested over 395 FDG slices, compared with manual segmentation. Strategies for improving OF performance at motion boundaries were investigated using spatially varying averaging filters, applied to synthetic image sequences. Results showed improvements in motion quantification accuracy using these methods. Kinetic Energy Index (KEf), an indicator of cardiac motility, was used to assess 63 individuals with normal and altered/low cardiac function from a 82Rb PET image database. Sensitivity and specificity tests were performed to evaluate the potential of KEf as a classifier of cardiac function, using LV ejection fraction as gold standard. A receiver operating characteristics curve was constructed, which provided an area under the curve of 0.906. Analysis of LV motion can be simplified by visualisation of directional motion field components, namely radial, rotational (or circumferential) and linear, obtained through automated decomposition. The Discrete Helmholtz Hodge Decomposition (DHHD) was used to generate these components in an automated manner, with a validation performed using synthetic cardiac motion fields from the Extended Cardiac Torso phantom. Finally, the DHHD was applied to OF fields from gated FDG images, allowing an analysis of directional components from an individual with normal cardiac function and a patient with low function and a pacemaker fitted. Motion field quantification from PET images allows the development of new indicators to diagnose CVDs. The ability of these motility indicators depends on the accuracy of the quantification of movement, which in turn can be determined by characteristics of the input images, such as noise. Motion analysis provides a promising and unprecedented approach to the diagnosis of CVDs. / A quantificação do movimento cardíaco do ventrículo esquerdo (VE) a partir de imagens médicas fornece um método não invasivo para o diagnóstico de doenças cardiovasculares (DCV). O estudo aqui proposto continua na mesma linha de pesquisa do nosso grupo sobre quantificação do movimento do VE por meio de técnicas de fluxo óptico (FO), aplicando estes métodos para quantificar o movimento do VE em sequências de imagens associadas às substâncias de cloreto de rubídio-82Rb (82Rb) e fluorodeoxiglucose-18F (FDG) PET. Com a extração dos campos vetoriais surgiram os seguintes desafios: (i) o campo vetorial de movimento (motion vector field, MVF) deve ser feito da forma mais precisa possível para maximizar a sensibilidade e especificidade; (ii) o MVF é extenso e composto de vetores 3D no espaço 3D, dificultando a análise visual de informações por observadores humanos para o diagnóstico médico. Foram desenvolvidas abordagens para melhorar a precisão da quantificação de movimento, considerando que o volume de interesse seja a região do MVF correspondente ao miocárdio do VE, em que valores de movimento não nulos existem fora deste volume devido aos artefatos do método de detecção de movimento ou de estruturas vizinhas, como o ventrículo direito. As melhorias na precisão foram obtidas segmentando o VE e ajustando os valores de MVF para zero fora do VE. O miocárdio VE foi segmentado automaticamente em fatias de eixo curto usando a Transformada de Hough na detecção de círculos para fornecer uma inicialização ao algoritmo de curvas de nível, um tipo de modelo deformável. A segmentação automática do VE atingiu 93,43% de medida de similaridade Dice, quando foi testado em 395 fatias de eixo menor de FDG, comparado com a segmentação manual. Estratégias para melhorar o desempenho do algoritmo OF nas bordas de movimento foram investigadas usando spatially varying averaging filters, aplicados em seqüências de imagens sintéticas. Os resultados mostraram melhorias na precisão de quantificação de movimento utilizando estes métodos. O Índice de Energia Cinética (KEf), um indicador de motilidade cardíaca, foi utilizado para avaliar 63 sujeitos com função cardíaca normal e alterada / baixa de uma base de dados de imagens PET de 82Rb. Foram realizados testes de sensibilidade e especificidade para avaliar o potencial de KEf para classificar a função cardíaca, utilizando a fração de ejeção do VE como padrão ouro. Foi construída uma curva ROC, que proporcionou uma área sob a curva de 0,906. A análise do movimento do VE pode ser simplificada pela visualização de componentes de campo de movimento direcional, ou seja, radial, rotacional (ou circunferencial) e linear, obtidos por decomposição automatizada. A decomposição discreta de Helmholtz Hodge (DHHD) foi utilizada para gerar estes componentes de forma automatizada, com uma validação utilizando campos de movimento cardíaco sintéticos a partir do conjunto Extended Cardiac Torso Phantom. Finalmente, o método DHHD foi aplicado a campos de FO, criado a partir de imagens FDG, permitindo uma análise de componentes direcionais de um indivíduo com função cardíaca normal e um paciente com baixa função e utilizando um marca-passo. A quantificação do campo de movimento a partir de imagens PET possibilita o desenvolvimento de novos indicadores para diagnosticar DCVs. A capacidade destes indicadores de motilidade depende na precisão da quantificação de movimento que, por sua vez, pode ser determinado por características das imagens de entrada como ruído. A análise de movimento fornece um promissor e sem precedente método para o diagnóstico de DCVs.

No description available.

Las enfermedades cardiovasculares (ECVs) son la principal causa de mortalidad en el mundo Occidental. El interés de prevenir y tratar las ECVs ha desencadenado un rápido desarrollo de los sistemas de adquisición de imágenes médicas. Por este motivo, la cantidad de datos de imagen recolectados en las instituciones de salud se ha incrementado considerablemente. Este hecho ha aumentado la necesidad de herramientas automatizadas para dar soporte al diagnóstico, mediante una interpretación de imagen confiable y reproducible. La tarea de interpretación requiere traducir los datos crudos de imagen en parámetros cuantitativos, los cuales son considerados relevantes para clasificar la condición cardiaca de un paciente. Para realizar tal tarea, los métodos basados en modelos estadísticos de forma han recibido favoritismo dada la naturaleza tridimensional (o 3D+t) de las imágenes cardiovasculares. Deformando el modelo estadístico de forma a la imagen de un paciente, el corazón puede analizarse de manera integral. Actualmente, el campo de las imágenes cardiovasculares esta constituido por diferentes modalidades. Cada modalidad explota diferentes fenómenos físicos, lo cual nos permite observar el órgano cardiaco desde diferentes ángulos. El personal clínico recopila todas estas piezas de información y las ensambla mentalmente en un modelo integral. Este modelo integral incluye información anatómica y funcional que muestra un cuadro completo del corazón del paciente. Es de alto interés transformar este modelo mental en un modelo computacional capaz de integrar la información de manera global. La generación de un modelo como tal no es simplemente un reto de visualización. Requiere una metodología capaz de extraer los parámetros cuantitativos relevantes basados en los mismos principios técnicos. Esto nos asegura que las mediciones se pueden comparar directamente. Tal metodología debe ser capaz de: 1) segmentar con precisión las cavidades cardiacas a partir de datos multimodales, 2) proporcionar un marco de referencia único para integrar múltiples fuentes de información, y 3) asistir la clasificación de la condición cardiaca del paciente. Esta tesis se basa en que los modelos estadísticos de forma, y en particular los Modelos Activos de Forma, son un método robusto y preciso con el potencial de incluir todos estos requerimientos. Para procesar múltiples modalidades de imagen, separamos la información estadística de forma de la información de apariencia. Obtenemos la información estadística de forma a partir de una modalidad de alta resolución y aprendemos la apariencia simulando la física de adquisición de otras modalidades. Las contribuciones de esta tesis pueden ser resumidas así: 1) un método genérico para construir automáticamente modelos de intensidad para los Modelos Activos de Forma simulando la física de adquisición de la modalidad en cuestión, 2) la primera extensión de un simulador de Resonancia Magnética Nuclear diseñado para producir estudios cardiacos realistas, y 3) un método novedoso para el entrenamiento automático de modelos de intensidad y de fiabilidad aplicado a estudios cardiacos de Resonancia Magnética Nuclear. Cada una de estas contribuciones representa un artículo publicado o enviado a una revista técnica internacional. / Cardiovascular diseases (CVDs) are the major cause of death in the Western world. The desire to prevent and treat CVDs has triggered a rapid development of medical imaging systems. As a consequence, the amount of imaging data collected in health care institutions has increased considerably. This fact has raised the need for automated analysis tools to support diagnosis with reliable and reproducible image interpretation. The interpretation task requires to translate raw imaging data into quantitative parameters, which are considered relevant to classify the patient’s cardiac condition. To achieve this task, statistical shape model approaches have found favoritism given the 3D (or 3D+t) nature of cardiovascular imaging datasets. By deforming the statistical shape model to image data from a patient, the heart can be analyzed in a more holistic way. Currently, the field of cardiovascular imaging is constituted by different modalities. Each modality exploits distinct physical phenomena, which allows us to observe the cardiac organ from different angles. Clinicians collect all these pieces of information to form an integrated mental model. The mental model includes anatomical and functional information to display a full picture of the patient’s heart. It is highly desirable to transform this mental model into a computational model able to integrate the information in a comprehensive manner. Generating such a model is not simply a visualization challenge. It requires having a methodology able to extract relevant quantitative parameters by applying the same principle. This assures that the measurements are directly comparable. Such a methodology should be able to: 1) accurately segment the cardiac cavities from multimodal datasets, 2) provide a unified frame of reference to integrate multiple information sources, and 3) aid the classification of a patient’s cardiac condition. This thesis builds upon the idea that statistical shape models, in particular Active Shape Models, are a robust and accurate approach with the potential to incorporate all these requirements. In order to handle multiple image modalities, we separate the statistical shape information from the appearance information. We obtain the statistical shape information from a high resolution modality and include the appearance information by simulating the physics of acquisition of other modalities. The contributions of this thesis can be summarized as: 1) a generic method to automatically construct intensity models for Active Shape Models based on simulating the physics of acquisition of the given imaging modality, 2) the first extension of a Magnetic Resonance Imaging (MRI) simulator tailored to produce realistic cardiac images, and 3) a novel automatic intensity model and reliability training strategy applied to cardiac MRI studies. Each of these contributions represents an article published or submitted to a peer-review archival journal.