Analyse avancée de signaux ECG acquis en IRM

Advanced analysis of ECG signals acquired in MRI

• Auteur / Autrice : Pierre Aublin
• Direction : Jacques Felblinger, Julien Oster
• Type : Projet de thèse
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance en 2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine
• Partenaire(s) de recherche : Laboratoire : IADI - Imagerie Adaptative Diagnostique et Interventionnelle
• Jury : Président / Présidente : Olivier Meste
• Jury : Examinateurs / Examinatrices : Jacques Felblinger, Virginie Le rolle, Violeta MONASTéRIO BAZAN, Julien Oster
• Jury : Rapporteurs / Rapporteuses : Virginie Le rolle, Olivier Meste

Mots clés

Mots clés libres

Irm

Ecg

Classification

Mri

Ecg

Classification

Résumé

L'électrocardiogramme (ECG) est utilisé en imagerie par résonnance magnétique (IRM) pour monitorer les patients et pour synchroniser l'acquisition d'images avec l'activité électrique du cœur. Les signaux ECG sont altérés dans l'environnement IRM par : (i) un fort champ magnétique statique dans le scanner (artéfact MHD) ; (ii) l'utilisation de gradients de champs magnétiques variables dans le temps. Les électrodes d'ECG sont également positionnées différemment qu'hors IRM pour limiter les risques de brûlure. L'analyse automatique de l'ECG est donc extrêment compliqué dans l'environnement IRM, et il n'existe pas de techniques fiables pour la classification des battements pathologiques. La visualisation en IRM de la contraction cardiaque pathologique n'est de ce ne fait jusqu'ici pas possible. Nous avons donc proposé des outils d'analyse automatique de l'ECG robustes à l'environnement IRM. Dans un premier temps, nous avons étudié l'usage d'un nombre réduit et l'influence des dérivations sur l'analyse automatique d'ECG. Un classifieur par apprentissage profond (DL) a été implémenté pour le challenge PhysioNet/CinC 2021 pour détecter des maladies cardiaques. Ce modèle fournissait une prédiction sur différents sous-ensembles de dérivations ECG par un vote des prédictions individuelles de chaque dérivation. L'apport d'une pondération automatique de ce vote et de l'utilisation d'un modèle hybride a été considéré. Pour évaluer l'effet de l'environnement IRM sur la classification automatique de battements cardiaques, un classifieur utilisant des caractéristiques de rythme et morphologie a été proposé pour détecter des contractions prématures ventriculaires. Cette approche n'a pas permis d'obtenir des résultats probants. L'apport d'un prétraitement avec un débruitage par filtrage par moindres carrés n'a pas amélioré les performances de classification. Nous avons donc développé des techniques d'apprentissage de représentations de l'ECG qui sont robustes aux perturbations de l'environnement IRM. La conception de telles représentations peut se faire par DL mais nécessite beaucoup de données. Pour compenser le manque de données ECG annotées en IRM, nous avons proposé un réseau siamois pour apprendre à partir d'une grande base de données non annotés une représentation de ce signal ECG. Un modèle d'augmentation de données simulant l'artéfact MHD avec une fonction paramétrique à base de polynômes d'Hermite et échantillonnage d'un mélange de gaussiennes de ces paramètres a été proposé. Plusieurs techniques d'apprentissage auto-supervisé et augmentations de données ont été ensuite comparées, et ont permis de proposer un modèle de classification des battements à partir d'ECG acquis en IRM.

Electrocardiogram (ECG) is used in Magnetic Resonance Imaging (MRI) examination both for patient monitoring and for synchronization of MR image acquisition with the heart's electrical activity. ECG signals are highly distorted in MR environment due to : a strong static magnetic field within the scanner (MHD artefact) ; the use of time varying magnetic field gradients. ECG electrodes in MRI are also placed at positions that differ from ECG outside this environment, and their number is reduced. Hence, existing automated ECG analysis methods become uneffective within MR environment to detect pathological heartbeats. This makes them hardly imageable by MRI. We hence tried to develop ECG heartbeat analysis tools that would be more robust to MRI environment. First, the use of a restricted number of ECG leads and its impact on ECG automated analysis was studied. An deep-learning (DL) based classifier was implemented for the Physionet/CinC 2021 challenge to detect heart diseases from ECG recordings. This model provided a prediction over different lead subsets by an average voting from each leads individual prediction. The benefits from a weighting in ths voting, and from a combination of handcrafted with DL features to classify ECGs were also considered. To assess the MR environment's impact on automated heartbeat classification, a classifier taking heart rhythm and beat morphology features was proposed to detect premature ventricular contractions. The impacts of the MHD artefact and magnetic field gradients on the performance of this classifier were studied. Denoising via a least mean squares filter did not improve the classification performance during MR image acquisitions. We therefore developped ECG representations that would be directly less affected by MR environment induced perturbations. Designing seach representations can be done via DL but requires a lot of data. To compensate the lack of annotated ECG in MRI, a siamese network was proposed to learn from a large corpus of unanontated 12 standard lead ECGs a representation that would be robust to several perturbations. A data augmentation model simulating the MHD artefact by sampling a gaussian mixttrue was then proposed. Several self-supervised techniques and data augmentations were then compared.