Abstract:

Regions with pathologically altered substrate have been identified as potentially proarrhythmic for atrial fibrillation. Mapping techniques, such as voltage mapping, are currently used to estimate the location of these fibrotic areas. Recently, local impedance (LI) has gained attention as another modality for atrial substrate assessment as it does not rely on the dynamically changing electrical activity of the heart. However, its limits for assessing non-transmural and complex fibrosis patterns have not yet been studied in detail. In this work, the ability of EGMs and LI to identify non-transmural fibrosis at different transmural levels using in silico experiments is explored. A pseudo-bidomain model was used to recover the extracellular potential on the surface of the tissue while LI reconstruction was calculated by a time-difference imaging approach with an homogeneous tissue background conductivity. Four fibrosis configurations were modeled to compare the two modalities using Pearson correlation coefficient. Only one transmural structure was detected by voltage whereas non-transmural structures, namely endo-, midmyo-, and epicardial, yielded zero. The correlation for LI maps ranged from -0.02 to 0.74. We conclude that LI, together with EGMs, can be expected to distinguish between healthy and fibrotic tissue, paving the way towards its use as a surrogate for non-transmural atrial substrate.

Abstract:

Physicians use information from medical images like Computed Tomography (CT) scans to decide about the diagnosis and treatment. Image segmenta- tion describes the division of an image into meaningful areas. It is a crucial step in the processing of medical images. However, it is time-consuming and labor-intensive. Therefore, interactive segmentation should simplify the procedure. It combines automatic segmentation with user interactions. As an initial segmentation mask is often not satisfying, user interactions are used to refine the initial mask. Currently, this is only possible with phys- ical interactions like clicks and scribbles but not with text. In situations where physicians need their hands, e.g. for surgery, they can not create segmentation masks. In this work, we developed a segmentation pipeline that predicted segmentation masks with text prompts for CT scans. User interactions with text could be used to refine the masks. We set up the whole pipeline for written text, but it can be adapted to spoken language in the future and, therefore, to a system without physical interaction. The seg- mentation pipeline consisted of an object detector, Grounding DINO, and the newly published segmentation model Segment Anything Model (SAM). The combination of these two models is called Grounded SAM. The pre- diction of Grounding DINO, a bounding box, was used as input for SAM. SAM predicted a segmentation mask. We adapted Grounding DINO to the medical domain using Low-Rank Adaptation (LoRA). Instead of the orig- inal SAM, we used MedSAM and ScribblePrompt. These two versions of SAM are adapted to various medical imaging modalities. Grounded SAM’s predicted segmentation mask could be refined with user interactions that e.g. offered the possibility to adjust the predicted bounding box, change the image normalization, and add clicks, all through text commands. We performed a user study to evaluate how the pipeline worked and whether users could improve the initial segmentation masks. Results showed that the adapted segmentation pipeline could predict initial masks for all categories, though performance varied. For example, results were of high quality for the liver but less accurate for fragmented structures such as the colon. The user study confirmed that the developed user interactions enabled the users to improve upon these initial segmentation masks. The approach allowed the users to incorporate their knowledge and opinions into the segmentation masks. Fully automatic segmentation pipelines like nnU-Net do not offer them this option.

Abstract:

Eine elektrophysiologische Untersuchung unterstützt die Diagnosestellung bei Herzrhyth- musstörungen. Die gemessenen intrakardialen Elektrogramme liefern Informationen über die Erregungsausbreitung und das Gewebe. Es wird zwischen einem unipolaren Elektrogramm (uEGM) und einem bipolaren Elektrogramm (bEGM) unterschieden. Bei den uEGMs wird die Potentialdifferenz zwischen einer Elektrode im Herzen und einer Referenzelektrode außerhalb des Herzens gemessen. Bei den bEGMs wird die Potentialdifferenz zwischen zwei Elektroden im Herzen gemessen. Aktuell werden im klinischen Einsatz vor allem bEGMs verwendet, da sie einige Vorteile gegenüber den uEGMs haben. Vorherige Arbeiten zeigten für gewisse Aspekte, dass die uEGMs und die bEGMs unterschiedliche Informationen liefern können. In dieser Arbeit wurde jeweils die Morphologie der beiden Elektrogrammarten bei ver- schiedenen Wellenausbreitungsphänomenen untersucht. Anhand der Charakteristika der Morphologie wurden die beiden Elektrogrammarten anschließend verglichen. Die Wellen- ausbreitungsphänomene waren die gesunde Referenz, langsam leitende Gebiete, Blocklinien und Wellenfrontkollisionen. Die verwendeten Daten waren klinische Messungen im linken Atrium von Patienten mit Vorhofflattern. Zunächst wurden die Abschnitte der uEGMs und bEGMs, die Aktivität enthielten, mithilfe des nichtlinearen Energie-Operators detektiert und extrahiert. Für valide aktiven Segmente wurden Merkmale sowie Kreuzkorrelationen berechnet, um die Morphologie zu vergleichen. Zum Abschluss wurden die detektierten Morphologien mithilfe von Clustering-Algorithmen in Gruppen unterteilt. Die Ergebnisse zeigten, dass sich die Morphologie der Elektrogramme bei den Wellenaus- breitungsphänomenen unterschied. Die Übergänge der Merkmale waren jedoch fließend und die Bereiche der Merkmale überschnitten sich für die verschiedenen Wellenausbrei- tungsphänomene. Die gesunde Referenz unterschied sich meistens von den anderen Wellen- ausbreitungsphänomenen. Die langsam leitenden Gebiete, die Wellenfrontkollisionen und die Blocklinien konnten anhand der Merkmale nicht eindeutig voneinander getrennt werden. Beim Vergleich der uEGMs und der bEGMs zeigten sich Unterschiede in den Charakteristi- ka. Es bestätigte sich somit, dass die uEGMs und bEGMs unterschiedliche Informationen beinhalten. Mithilfe des Clusterings konnten verschiedene Morphologien gruppiert und so typische Morphologien identifiziert werden. Die berechneten Cluster stimmten nicht mit den Wellenausbreitungsphänomenen überein.