Quantitative cardiac magnetic resonance imaging (CMR) has gained traction within both the clinical and research field due to high prevalence of cardiovascular diseases. Cardiac magnetic resonance fingerprinting (cMRF) is a novel approach introduced to address the limitation associated with evaluation of multiparametric quantitative CMR. cMRF enables simultaneous and co-registered estimation of tissue relaxation times, T1 and T2, in a single acquisition, making it a more time-efficient approach to multiparametric quantitative CMR. Nevertheless, cMRF has not gained widespread adaption due to insufficient evidence regarding its performance in accurately quantifying tissue characteristics. This study aims to evaluate the accuracy and reproducibility of a single cMRF sequence described by Hamilton et. al. using self-constructed phantoms to validate the sequence performance for cardiac imaging. The objective was to construct in-vitro phantoms with physiological combinations of T1 and T2 markers. The phantoms were then imaged using gold standard and conventional mapping sequences to establish reference values for comparison. The measurements obtained from the two distinct cMRF reconstruction approaches were then compared to these reference values and to each other to evaluate the accuracy. The statistical assessments did not find a statistically significant difference between neither the cMRF sequence and conventional mapping techniques, nor cMRF and the gold-standard method, when compared in in-vitro phantoms with physiological combinations of T1 and T2. / Kvantitativ kardiovaskulär magnetresonans (CMR) har fått ökad uppmärksamhet inom både den kliniska- och forskningsfältet på grund av hög förekomst av hjärt- och kärlsjukdomar. För att åtgärda begränsningarna vid utvärdering av multiparametrisk kvantitativ CMR, introducerades cardiac magnetic resonance fingerprinting (cMRF) som en ny metod. cMRF möjliggör simultan och samregistrerad uppskattning av vävnadens relaxationstider, T1 och T2, i samma insamling, vilket gör det till en mer tidseffektiv metod för multiparametrisk kvantitativ CMR. Trots detta är kliniska implementeringen av cMRF inte utbredd på grund av otillräckligt bevis för dess utförande vid exakt kvantifiering av vävnadsegenskaper. Syftet med denna studie är att bedöma noggrannheten hos en cMRF-sekvens som utvecklats av Hamilton et al. genom att använda egentillverkade fantomer för att verifiera hur effektiv sekvensen är för avbildning av hjärtat. Målet är att konstruera in vitro-fantom med fysiologiska kombinationer av  T1- och T2-markörer. Dessa fantomer avbildades med hjälp av referensmetoder och konventionell karaktärisering för att etablera jämförelsevärden. Mätningarna som erhölls från de två distinkta cMRF-rekonstruktionsmetoderna jämfördes sedan statistiskt med jämförelsevärdena och med varandra för att utvärdera mätnoggrannheten. De statistiska bedömningarna kunde inte påvisa en skillnad mellan varken cMRF-sekvensen och konventionella metoder, eller referensmetod, vid jämförelse i in vitro-fantom med fysiologiska kombinationer av T1- och T2-värden.

Les maladies cardiovasculaires et en particulier les maladies coronariennes représentent la principale cause de mortalité mondiale avec 17,9 millions de décès en 2012. L’IRM cardiaque est un outil particulièrement intéressant pour la compréhension et l’évaluation des cardiopathies, notamment ischémiques. Son apport diagnostique est souvent majeur et elle apporte des informations non accessibles par d’autres modalités d’imagerie. Les travaux menés pendant cette thèse portent plus particulièrement sur l’examen dit de perfusion myocardique qui consiste à étudier la distribution d’un agent de contraste au sein du muscle cardiaque lors de son premier passage. En pratique clinique cet examen est souvent limité à la seule analyse visuelle du clinicien qui recherche un hyposignal lui permettant d’identifier l’artère coupable et d’en déduire le territoire impacté. Cependant, cette technique est relative et ne permet pas de quantifier le flux sanguin myocardique. Au cours de ces dernières années, un nombre croissant de techniques sont apparues pour permettre cette quantification et ce à toutes les étapes de traitement, depuis l’acquisition jusqu’à la mesure elle-même. Nous avons dans un premier temps établi un pipeline de traitement afin de combiner ces approches et de les évaluer à l’aide d’un fantôme numérique et à partir de données cliniques. Nous avons pu démontrer que l’approche Bayésienne permettait de quantifier la perfusion cardiaque et sa supériorité à évaluer le délai d’arrivé du bolus d’indicateur par rapport au modèle de Fermi. De plus l’approche Bayésienne apporte en supplément des informations intéressantes telles que la fonction de densité de probabilité de la mesure et l’incertitude sur la fonction résidu qui permettent de connaitre la fiabilité de la mesure effectuée notamment en observant la répartition de la fonction de densité de probabilité de la mesure. Enfin, nous avons proposé un algorithme de segmentation des lésions myocardiques, exploitant les dimensions spatiotemporelles des données de perfusion. Cette technique permet une segmentation objective et précise de la région hypoperfusée permettant une mesure du flux sanguin myocardique sur une zone de tissu dont le comportement est homogène et dont la mesure du signal moyen permet une augmentation du rapport contraste à bruit. Sur la cohorte de 30 patients, la variabilité des mesures du flux sanguin myocardique effectuées sur les voxels détectés par cette technique était significativement inférieure à celle des mesures effectuées sur les voxels des zones définies manuellement (différence moyenne=0.14, 95% CI [0.07, 0.2]) et de celles effectuées sur les voxels des zones définies à partir de la méthode bullseye (différence moyenne =0.25, 95% CI [0.17, 0.36]) / Cardiovascular diseases and in particular coronary heart disease are the main cause of death worldwide with 17.9 million deaths in 2012. Cardiac MRI is a particularly interesting tool for understanding and evaluating heart disease, including ischemic heart disease. Its diagnostic contribution is often major and it provides information that is not accessible by other imaging modalities. The work carried out during this thesis focuses more specifically on the so-called myocardium perfusion test, which consists in studying the distribution of a contrast agent within the heart muscle during its first passage. In clinical practice, this examination is often limited to the clinician's visual analysis, allowing him to identify the culprit artery and deduce the impacted territory. However, this technique is relative and does not quantify myocardial blood flow. In recent years, an increasing number of techniques have emerged to enable this quantification at all stages of processing, from acquisition to the measurement itself. We first established a treatment pipeline to combine these approaches and evaluate them using a digital phantom and clinical data. We demonstrated that the Bayesian approach is able to quantify myocardium perfusion and its superiority in evaluating the arrival time of the indicator bolus compared to the Fermi model. In addition, the Bayesian approach provides additional interesting information such as the probability density function of the measurement and the uncertainty of the residual function, which makes it possible to know the reliability of the measurement carried out, in particular by observing the distribution of the probability density function of the measurement. Finally, we proposed an algorithm for segmentation of myocardial lesions, using the spatial and temporal dimensions of infusion data. This technique allows an objective and precise segmentation of the hypoperfused region allowing a measurement of myocardial blood flow over an area of tissue which behavior is homogeneous and which average signal measurement allows an increase in the contrast-to-noise ratio. In the cohort of 30 patients, the variability of myocardial blood flow measurements performed on voxels detected by this technique was significantly lower than that of measurements performed on voxels in manually defined areas (mean difference=0.14, 95% CI[0.07, 0.2]) and those performed on voxels in areas defined using the bullseye method (mean difference=0.25, 95% CI[0.17, 0.36])

[ES] Las enfermedades cardiovasculares son una de las causas más predominantes de muerte y comorbilidad en los países desarrollados, por ello se han realizado grandes inversiones en las últimas décadas para producir herramientas de diagnóstico y aplicaciones de tratamiento de enfermedades cardíacas de alta calidad. Una de las mejores herramientas de diagnóstico para caracterizar el corazón ha sido la imagen por resonancia magnética (IRM) gracias a sus capacidades de alta resolución tanto en la dimensión espacial como temporal, lo que permite generar imágenes dinámicas del corazón para un diagnóstico preciso. Las dimensiones del ventrículo izquierdo y la fracción de eyección derivada de ellos son los predictores más potentes de morbilidad y mortalidad cardiaca y su cuantificación tiene connotaciones importantes para el manejo y tratamiento de los pacientes. De esta forma, la IRM cardiaca es la técnica de imagen más exacta para la valoración del ventrículo izquierdo. Para obtener un diagnóstico preciso y rápido, se necesita un cálculo fiable de biomarcadores basados en imágenes a través de software de procesamiento de imágenes. Hoy en día la mayoría de las herramientas empleadas se basan en sistemas semiautomáticos de Diagnóstico Asistido por Computador (CAD) que requieren que el experto clínico interactúe con él, consumiendo un tiempo valioso de los profesionales cuyo objetivo debería ser únicamente interpretar los resultados. Un cambio de paradigma está comenzando a entrar en el sector médico donde los sistemas CAD completamente automáticos no requieren ningún tipo de interacción con el usuario. Estos sistemas están diseñados para calcular los biomarcadores necesarios para un diagnóstico correcto sin afectar el flujo de trabajo natural del médico y pueden iniciar sus cálculos en el momento en que se guarda una imagen en el sistema de archivo informático del hospital. Los sistemas CAD automáticos, aunque se consideran uno de los grandes avances en el mundo de la radiología, son extremadamente difíciles de desarrollar y dependen de tecnologías basadas en inteligencia artificial (IA) para alcanzar estándares médicos. En este contexto, el aprendizaje profundo (DL) ha surgido en la última década como la tecnología más exitosa para abordar este problema. Más específicamente, las redes neuronales convolucionales (CNN) han sido una de las técnicas más exitosas y estudiadas para el análisis de imágenes, incluidas las imágenes médicas. En este trabajo describimos las principales aplicaciones de CNN para sistemas CAD completamente automáticos para ayudar en la rutina de diagnóstico clínico mediante resonancia magnética cardíaca. El trabajo cubre los puntos principales a tener en cuenta para desarrollar tales sistemas y presenta diferentes resultados de alto impacto dentro del uso de CNN para resonancia magnética cardíaca, separados en tres proyectos diferentes que cubren su aplicación en la rutina clínica de diagnóstico, cubriendo los problemas de la segmentación, estimación automática de biomarcadores con explicabilidad y la detección de eventos. El trabajo completo presentado describe enfoques novedosos y de alto impacto para aplicar CNN al análisis de resonancia magnética cardíaca. El trabajo proporciona varios hallazgos clave, permitiendo varias formas de integración de esta reciente y creciente tecnología en sistemas CAD completamente automáticos que pueden producir resultados altamente precisos, rápidos y confiables. Los resultados descritos mejorarán e impactarán positivamente el flujo de trabajo de los expertos clínicos en un futuro próximo. / [CA] Les malalties cardiovasculars són una de les causes de mort i comorbiditat més predominants als països desenvolupats, s'han fet grans inversions en les últimes dècades per tal de produir eines de diagnòstic d'alta qualitat i aplicacions de tractament de malalties cardíaques. Una de les tècniques millor provades per caracteritzar el cor ha estat la imatge per ressonància magnètica (IRM), gràcies a les seves capacitats d'alta resolució tant en dimensions espacials com temporals, que permeten generar imatges dinàmiques del cor per a un diagnòstic precís. Les dimensions del ventricle esquerre i la fracció d'ejecció que se'n deriva són els predictors més potents de morbiditat i mortalitat cardíaca i la seva quantificació té connotacions importants per al maneig i tractament dels pacients. D'aquesta manera, la IRM cardíaca és la tècnica d'imatge més exacta per a la valoració del ventricle esquerre. Per obtenir un diagnòstic precís i ràpid, es necessita un càlcul fiable de biomarcadors basat en imatges mitjançant un programa de processament d'imatges. Actualment, la majoria de les ferramentes emprades es basen en sistemes semiautomàtics de Diagnòstic Assistit per ordinador (CAD) que requereixen que l'expert clínic interaccioni amb ell, consumint un temps valuós dels professionals, l'objectiu dels quals només hauria de ser la interpretació dels resultats. S'està començant a introduir un canvi de paradigma al sector mèdic on els sistemes CAD totalment automàtics no requereixen cap tipus d'interacció amb l'usuari. Aquests sistemes estan dissenyats per calcular els biomarcadors necessaris per a un diagnòstic correcte sense afectar el flux de treball natural del metge i poden iniciar els seus càlculs en el moment en què es deixa la imatge dins del sistema d'arxius hospitalari. Els sistemes CAD automàtics, tot i ser molt considerats com un dels propers grans avanços en el món de la radiologia, són extremadament difícils de desenvolupar i depenen de les tecnologies d'Intel·ligència Artificial (IA) per assolir els estàndards mèdics. En aquest context, l'aprenentatge profund (DL) ha sorgit durant l'última dècada com la tecnologia amb més èxit per abordar aquest problema. Més concretament, les xarxes neuronals convolucionals (CNN) han estat una de les tècniques més utilitzades i estudiades per a l'anàlisi d'imatges, inclosa la imatge mèdica. En aquest treball es descriuen les principals aplicacions de CNN per a sistemes CAD totalment automàtics per ajudar en la rutina de diagnòstic clínic mitjançant ressonància magnètica cardíaca. El treball recull els principals punts a tenir en compte per desenvolupar aquest tipus de sistemes i presenta diferents resultats d'impacte en l'ús de CNN a la ressonància magnètica cardíaca, tots separats en tres projectes principals diferents, cobrint els problemes de la segmentació, estimació automàtica de *biomarcadores amb *explicabilidad i la detecció d'esdeveniments. El treball complet presentat descriu enfocaments nous i potents per aplicar CNN a l'anàlisi de ressonància magnètica cardíaca. El treball proporciona diversos descobriments clau, que permeten la integració de diverses maneres d'aquesta tecnologia nova però en constant creixement en sistemes CAD totalment automàtics que podrien produir resultats altament precisos, ràpids i fiables. Els resultats descrits milloraran i afectaran considerablement el flux de treball dels experts clínics en un futur proper. / [EN] Cardiovascular diseases are one of the most predominant causes of death and comorbidity in developed countries, as such heavy investments have been done in recent decades in order to produce high quality diagnosis tools and treatment applications for cardiac diseases. One of the best proven tools to characterize the heart has been magnetic resonance imaging (MRI), thanks to its high-resolution capabilities in both spatial and temporal dimensions, allowing to generate dynamic imaging of the heart that enable accurate diagnosis. The dimensions of the left ventricle and the ejection fraction derived from them are the most powerful predictors of cardiac morbidity and mortality, and their quantification has important connotations for the management and treatment of patients. Thus, cardiac MRI is the most accurate imaging technique for left ventricular assessment. In order to get an accurate and fast diagnosis, reliable image-based biomarker computation through image processing software is needed. Nowadays most of the employed tools rely in semi-automatic Computer-Aided Diagnosis (CAD) systems that require the clinical expert to interact with it, consuming valuable time from the professionals whose aim should only be at interpreting results. A paradigm shift is starting to get into the medical sector where fully automatic CAD systems do not require any kind of user interaction. These systems are designed to compute any required biomarkers for a correct diagnosis without impacting the physician natural workflow and can start their computations the moment an image is saved within a hospital archive system. Automatic CAD systems, although being highly regarded as one of next big advances in the radiology world, are extremely difficult to develop and rely on Artificial Intelligence (AI) technologies in order to reach medical standards. In this context, Deep learning (DL) has emerged in the past decade as the most successful technology to address this problem. More specifically, convolutional neural networks (CNN) have been one of the most successful and studied techniques for image analysis, including medical imaging. In this work we describe the main applications of CNN for fully automatic CAD systems to help in the clinical diagnostics routine by means of cardiac MRI. The work covers the main points to take into account in order to develop such systems and presents different impactful results within the use of CNN to cardiac MRI, all separated in three different main projects covering the segmentation, automatic biomarker estimation with explainability and event detection problems. The full work presented describes novel and powerful approaches to apply CNN to cardiac MRI analysis. The work provides several key findings, enabling the integration in several ways of this novel but non-stop growing technology into fully automatic CAD systems that could produce highly accurate, fast and reliable results. The results described will greatly improve and impact the workflow of the clinical experts in the near future. / Pérez Pelegrí, M. (2023). Applications of Deep Leaning on Cardiac MRI: Design Approaches for a Computer Aided Diagnosis [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/192988