priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2025-68-11-996-1005pribor-433Research ArticleПРИБОРЫ, СИСТЕМЫ И ИЗДЕЛИЯ МЕДИЦИНСКОГО НАЗНАЧЕНИЯDEVICES, SYSTEMS AND MEDICAL DEVICESПрограммный комплекс для 17-сегментной локализации фиброза миокарда левого желудочка сердцаSoftware package for 17-segment localization of myocardial fibrosis of the left ventricle of the heartЛевчукА. Г.LevchukA. G.

Анатолий Геннадьевич Левчук — аспирант; физический факультет

Санкт-Петербург 

Anatoliy G. Levchuk — Post-Graduate Student; Faculty of Physics

St. Petersburg 

anatolii.levchuk@metalab.ifmo.ruАль-ХайдриВ.Al-HaidriW.

Валид Ахмед Ахмед Аль-Хайдри — канд. техн. наук; научный сотрудник

Санкт-Петербург

Walid Al-Haidri — PhD; Faculty of Physics; Researcher

St. Petersburg 

waleed.al.haidri@metalab.ifmo.ruБелоусоваК. М.BelousovaK. M.

Ксения Михайловна Белоусова — инженер

Санкт-Петербург

Kseniya M. Belousova — Faculty of Physics; Engineer

St. Petersburg 

kseniia.belousova@metalab.ifmo.ruФокинВ. А.FokinV. A.

Владимир Александрович Фокин — д-р мед. наук, профессор

Санкт-Петербург

Vladimir A. Fokin — Dr. Sci., Professor

St. Petersburg 

vladfokin@mail.ruРыжковА. В.RyzhkovA. V.

Антон Владимирович Рыжков — отделение магнитно-резонансной томографии; заведующий отделением

Санкт-Петербург

Anton V. Ryzhkov — Department of Magnetic Resonance Imaging; Head of the Department

St. Petersburg 

abanderos83@mail.ruБенданД.BendahanD.

Давид Бендан — Национальный центр научных исследований, Центр магнитного резонанса в биологии и медицине; научный директор

Марсель 

David Bendahan — Biological and Medical Magnetic Resonance Center; Research Director

Marseille 

david.bendahan@univ-amu.frБруйЕ. А.BruiE. A.

Екатерина Алексеевна Бруй — канд. техн. наук; старший научный сотрудник

Санкт-Петербург

Ekaterina A. Brui — PhD, Senior Researcher; Faculty of Physics

St. Petersburg 

katya.bruy@gmail.comУниверситет ИТМОITMO UniversityНациональный медицинский исследовательский центр им. В. А. АлмазоваAlmazov National Medical Research CenterУниверситет Экс-МарсельAix-Marseille Université20251512202568119961005Copyright © Национальный исследовательский университет ИТМО, 20252025Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/433

Локализованная количественная оценка фиброза миокарда используется для прогнозирования исходов сердечно-сосудистых заболеваний, выбора терапевтической и хирургической стратегии. В медицинской практике возможности такой оценки затруднены необходимостью ручной или полуавтоматической предобработки изображений. Предложен программный комплекс на основе технологий глубокого обучения для анализа МРизображений сердца с отсроченным контрастированием и количественной оценкой фиброза миокарда. Результаты статистического анализа подготовленного набора данных свидетельствуют о наличии устойчивых корреляций локализованного относительного объема фиброза с клиническими данными по фракциям выброса и степенью сердечной недостаточности у пациентов. Можно отметить выраженную отрицательную корреляцию между степенью сердечной недостаточности и фракцией выброса левого желудочка (p < 0,001). Также выявлена небольшая зависимость между фракцией выброса левого желудочка и относительным объемом фиброза для двух бассейнов — правой коронарной и левой огибающей артерий (p < 0,01). Коэффициент структурного сходства с эталонной разметкой миокарда составил 0,87/0,87/0,88 по метрикам DSC/Precision/Recall для автоматического решения на основе Cascade-U-Net. Точность классификации уровня левого желудочка обученной моделью U-NetLoc составила 83 %/86 %/95 % в классификации базальных/медиальных/апикальных срезов миокарда. Качество локализации миокарда обученной моделью U-NetBull обеспечивает коэффициент сходства Соренсена–Дайса 0,827/0,778/0,734 в отдельных сегментах базального/медиального/апикального уровня левого желудочка. Предложенный программный комплекс может быть использован в качестве вспомогательного инструмента кардиологами и рентгенологами для повышения диагностической точности.

Localized quantitative assessment of myocardial fibrosis is used to predict outcomes of cardiovascular diseases, select therapeutic and surgical strategies. In widespread practice, localized quantitative assessment of myocardial fibrosis is complicated by the need for manual or semiautomatic image preprocessing. A software package based on the use of deep learning technologies for analyzing MR images of the heart with late gadolinium enhancement and quantifying myocardial fibrosis is proposed. The results of statistical analysis of the prepared dataset indicate the presence of stable correlations of localized relative fibrosis volume with clinical data on ejection fractions and the degree of heart failure in patients. A pronounced negative correlation can be noted between the degree of heart failure and the left ventricular ejection fraction (p <0.001). There is also a small correlation between the LV ejection fraction and the relative volume of fibrosis for two basins - RCA and LCx (p < 0.01). The coefficient of structural similarity with the reference marking of the myocardium is 0.87 / 0.87 / 0.88 according to the DSC / Precision / Recall metrics for the automatic Cascade-U-Net-based solution. The accuracy of classification of the left ventricle level on the slice by the trained U-NetLoc model is 83% / 86% / 95% in the classification of basal / medial / apical myocardial slices. The quality of myocardial localization by the trained U-NetBull model ensures the Sorensen–Dice similarity coefficient 0,827/0,778/0,734 in individual segments of the basal / medial / apical level of the left ventricle level. The developed software package for localized quantitative assessment of myocardial fibrosis can be used as an auxiliary tool by cardiologists and radiologists to increase the diagnostic accuracy.

сверточные нейронные сетиU-Netмиокардфиброзbull’s eyeсегментацияМРТconvolutional neural networksU-Netmyocardiumfibrosisbull’s eyesegmentationMRIисследование выполнено за счет гранта Российского научного фонда No 23-75-10045, https://rscf.ru/project/23-75-10045/.The research was carried out at the expense of the grant of the Russian Science Foundation No. 23-75-10045, https://rscf.ru/project/23-75-10045 /.ReferencesFernandez-Armenta J., Berruezo A., Mont L., Sitges M., Andreu D., Silva E., Ortiz-Perez J. T., Tolosana J. M., De Caralt T. M., Perea R. J., Calvo N., Trucco E., Borras R., Matas M., Brugada J. Use of myocardial scar characterization to predict ventricular arrhythmia in cardiac resynchronization therapy // Europace. 2012. Vol. 14, N 11. P. 1578–1586. DOI: 10.1093/europace/eus104.Fernandez-Armenta J., Berruezo A., Mont L., Sitges M., Andreu D., Silva E., Ortiz-Perez J.T., Tolosana J.M., De Caralt T.M., Perea R.J., Calvo N., Trucco E., Borras R., Matas M., Brugada J. Europace, 2012, no. 11(14), pp. 1578– 1586, DOI: 10.1093/europace/eus104.Guehl N. J., Normandin M. D., Wooten D. W., Rozen G., Ruskin J. N., Shoup T. M., Woo J., Ptaszek L. M., Fakhri G. E., Alpert N. M. Rapid computation of single PET scan rest-stress myocardial blood flow parametric images by table look up // Medical Physics. 2017. Vol. 44, N 9. P. 4643–4651. DOI: 10.1002/mp.12398.Guehl N.J., Normandin M.D., Wooten D.W., Rozen G., Ruskin J.N., Shoup T.M., Woo J., Ptaszek L.M., Fakhri G.E., Alpert N.M. Medical Physics, 2017, no. 9(44), pp. 4643–4651, DOI: 10.1002/mp.12398.Cerqueira M. D., Weissman N. J., Dilsizian V., Jacobs A. K., Kaul S., Laskey W. K., Pennell D. J., Rumberger J. A., Ryan T. J., Verani M. S. Standardized Myocardial Segmentation and Nomenclature for Tomographic Imaging of the Heart // Journal of Cardiovascular Magnetic Resonance. 2002. Vol. 4, N 2. P. 203–210. DOI: 10.1081/JCMR-120003946.Cerqueira M.D., Weissman N.J., Dilsizian V., Jacobs A.K., Kaul S., Laskey W.K., Pennell D.J., Rumberger J.A., Ryan T.J., Verani M.S. Journal of Cardiovascular Magnetic Resonance, 2002, no. 2(4), pp. 203–210, DOI: 10.1081/JCMR-120003946.Pereztol-Valdes O., Candell-Riera J., Santana-Boado C., Angel J., Aguade-Bruix S., Castell-Conesa J., Garcia E. V., Soler-Soler J. Correspondence between left ventricular 17 myocardial segments and coronary arteries // European Heart Journal. 2005. Vol. 26. P. 2637–2643. DOI:10.1093/eurheartj/ehi496.Pereztol-Valdes O., Candell-Riera J., Santana-Boado C., Angel J., Aguade-Bruix S., Castell-Conesa J., Garcia E.V., Soler-Soler J. European Heart Journal, 2005, vol. 26, рр. 2637–2643, DOI:10.1093/eurheartj/ehi496.Klein J. L., Garcia E. V., DePuey E. G., Campbell J., Taylor A. T., Pettigrew R. I., D’Amato P., Folks R., Alazraki N. Reversibility Bull’s-Eye: A New Polar Bulls-Eye Map to Quantify Reversibility of Stress Induced SPECT Thaffium-20 1 Myocardial Perfusion Defects // J. Nucl. Med. 1990. Vol. 31. P. 1240–1246.Klein J.L., Garcia E.V., DePuey E.G., Campbell J., Taylor A.T., Pettigrew R.I., D’Amato P., Folks R., Alazraki N. J. Nucl. Med., 1990, vol. 31, рр. 1240–1246.d’Entremont M.-A., Fortin G., Huynh T., Croteau É., Farand P., Lemaire-Paquette S., Brochu M.-C., Do D. H., Lepage S., Mampuya W. M., Couture É. L., Nguyen M., Essadiqi B. The feasibility, reliability, and incremental value of twodimensional speckle-tracking for the detection of significant coronary stenosis after treadmill stress echocardiography // Cardiovasc Ultrasound. 2021. Vol. 19, N 1. P. 27. DOI: 10.1186/s12947-021-00259-w.d’Entremont M.-A., Fortin G., Huynh T., Croteau É., Farand P., Lemaire-Paquette S., Brochu M.-C., Do D.H., Lepage S., Mampuya W.M., Couture É.L., Nguyen M., Essadiqi B. Cardiovasc Ultrasound, 2021, no. 1(19), pp. 27, DOI: 10.1186/s12947-021-00259-w.Saeed M., Van T. A., Krug R., Hetts S. W., Wilson M. W. Cardiac MR imaging: current status and future direction // Cardiovascular Diagnosis and Therapy. 2015. Vol. 5, N 4. P. 290–310. http://dx.doi.org/10.3978/j.issn.2223-3652.2015.06.07.Saeed M., Van T.A., Krug R., Hetts S.W., Wilson M.W. Cardiovascular Diagnosis and Therapy, 2015, no. 5(4), pp. 290–310, http://dx.doi.org/10.3978/j.issn.2223-3652.2015.06.07.Schulz-Menger J., Bluemke D. A., Bremerich J., Flamm S. D., Fogel M. A., Friedrich M. G., Kim R. J., Von Knobelsdorff-Brenkenhoff F., Kramer C. M., Pennell D. J., Plein S., Nagel E. Standardized image interpretation and post-processing in cardiovascular magnetic resonance – 2020 update // Journal of Cardiovascular Magnetic Resonance. 2020. Vol. 22, N 1. P. 19. DOI: 10.1186/s12968-020-00610-6.Schulz-Menger J., Bluemke D.A., Bremerich J., Flamm S.D., Fogel M.A., Friedrich M.G., Kim R.J., Von KnobelsdorffBrenkenhoff F., Kramer C.M., Pennell D.J., Plein S., Nagel E. Journal of Cardiovascular Magnetic Resonance, 2020, no. 1(22), pp. 19, DOI: 10.1186/s12968-020-00610-6.Segment CMR – Medviso [Электронный ресурс]: <https://medviso.com/cmr/>. (дата обращения: 10.07.2024)Segment CMR — Medviso, https://medviso.com/cmr/.CMRSegTools - homepage [Электронный ресурс]: <https://www.creatis.insa-lyon.fr/CMRSegTools/>. (дата обращения: 10.07.2024)CMRSegTools — homepage, https://www.creatis.insa-lyon.fr/CMRSegTools/.CASIS — CArdiac Simulation & Imaging Software - Homepage [Электронный ресурс]: <https://www.casis.fr/>. (дата обращения: 10.07.2024)CASIS — CArdiac Simulation & Imaging Software — Homepage, https://www.casis.fr/.Cardiac MR | Circle Cardiovascular Imaging [Электронный ресурс]: <https://www.circlecvi.com/cardiac-mr>. (дата обращения: 10.07.2024)Cardiac MR | Circle Cardiovascular Imaging, https://www.circlecvi.com/cardiac-mr.Medis Suite MR - Cardiac MRI - Medis Medical Imaging [Электронный ресурс]: <https://medisimaging.com/software-solutions/medis-suite-mr/>. (дата обращения: 10.07.2024)Medis Suite MR — Cardiac MRI — Medis Medical Imaging, https://medisimaging.com/software-solutions/medissuite-mr/.Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer International Publishing, 2015. Vol. 9351. P. 234–241. DOI: 10.1007/978-3-319-24574-4_28.Ronneberger O., Fischer P., Brox T. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Cham, Springer International Publishing, 2015, vol. 9351, рр. 234–241, DOI: 10.1007/978-3-319-24574-4_28.Kim R. J., Shah D. J., Judd R. M. How We Perform Delayed Enhancement Imaging // Journal of Cardiovascular Magnetic Resonance. 2003. Vol. 5, N 3. P. 505–514. DOI: 10.1081/JCMR-120022267.Kim R.J., Shah D.J., Judd R.M. Journal of Cardiovascular Magnetic Resonance, 2003, no. 3(5), pp. 505–514, DOI: 10.1081/JCMR-120022267.Левчук А. Г., Фокин В. А., Рыжков А. В., Баев М. С., Бендан Д., Аль-Хайдри В., Бруй Е. А. Автоматический и полуавтоматический метод сегментации постинфарктного кардиосклероза по данным магнитно-резонансной томографии с отсроченным контрастированием // Биомедицинская радиоэлектроника. 2024. T. 27, № 3. С. 13– 27. DOI: https://doi.org/10.18127/j15604136202403-02.Levchuk A.G., Fokin V.A., Ryzhkov A.V., Baev M.S., Bendahan D., Al-Haidri W., Brui E.A. Biomedical Radioelectronics, 2024, no. 3(27), pp. 13–27, DOI: https://doi.org/10.18127/j15604136202403-02. (in Russ.)Sørensen T. A method of establishing groups of equal amplitude in plant sociology based on similarity of species and its application to analyses of the vegetation on Danish commons // Kongelige Danske Videnskabernes Selskab. 1948. Vol. 5, N 4. P. 1–34.Sørensen T. Kongelige Danske Videnskabernes Selskab, 1948, no. 4(5), pp. 1–34.Dice L. R. Measures of the Amount of Ecologic Association Between Species // Ecology. 1945. Vol. 26, N 3. P. 297– 302. DOI: 10.2307/1932409.Dice L.R. Ecology, 1945, no. 3(26), pp. 297–302, DOI: 10.2307/1932409.Powers D. M. W. Evaluation: From precision, recall and F-measure to ROC, informedness, markedness & correlation // J. of Mach Lear Tech. 2011. Vol. 2, N 1. P. 37–63. DOI: 10.9735/2229-3981.Powers D.M.W. J. of Mach Lear Tech., 2011, no. 1(2), pp. 37–63, DOI: 10.9735/2229-3981.Al-Haidri W., Levchuk A., Zotov N., Belousova K., Ryzhkov A., Fokin V., Lukin M., Bendahan D., Brui E. Quantitative analysis of myocardial fibrosis using a deep learning-based framework applied to the 17-Segment model // Biomedical Signal Processing and Control. 2025. Vol. 105. P. 107555. DOI: 10.1016/j.bspc.2025.107555.Al-Haidri W., Levchuk A., Zotov N., Belousova K., Ryzhkov A., Fokin V., Lukin M., Bendahan D., Brui E. Biomedical Signal Processing and Control, 2025, vol. 105, р. 107555, DOI: 10.1016/j.bspc.2025.107555.Yong H., Huang J., Hua X., Zhang L. Gradient Centralization: A New Optimization Technique for Deep Neural Networks // arXiv:2004.01461. arXiv, 2020. DOI: 10.48550/arXiv.2004.01461.Yong H., Huang J., Hua X., Zhang L. arXiv:2004.01461, arXiv, 2020, DOI: 10.48550/arXiv.2004.01461.Малов А. А., Полатова М. В., Баширов Р. А. Магнитно-резонансная томография в диагностике рубцовых изменений миокарда у пациентов с ишемической болезнью сердца // Практическая медицина. 2021. Т. 19, № 4. С. 50–55. DOI: 10.32000/2072-1757-2021-4-50-55.Malov A.A., Polatova M.V., Bashirov R.A. Practical medicine, 2021, no. 4(19), pp. 50–55, DOI: 10.32000/2072-1757-2021-4-50-55. (in Russ.)

The authors declare that there are no conflicts of interest present.