T1 and ECV mapping texture analysis distinguishing hypertrophic cardiomyopathy from athletes heart better than median values

Abstract

Introducción Diferenciar la hipertrofia inducida por entrenamiento intensivo de la miocardiopatía hipertropical (MCH) es importante para identificar a aquellos atletas jóvenes en riesgo de muerte cardíaca súbita. Swoboda y sus colegas demostraron que el mapeo T1 y ECV puede ayudar a tal diferenciación entre hipertrofia atlética y patológica, particularmente en sujetos con espesor de pared indeterminado (1). Recientemente, los métodos de análisis de textura (TA) de los datos de CMR han demostrado una mejor precisión diagnóstica sobre el análisis cualitativo convencional en diversas enfermedades cardíacas. Sólo unos pocos estudios han aplicado la AT a los datos cartográficos de T1 y ECV (2-4). Aquí nuestro objetivo era demostrar que un enfoque de AT proporciona una capacidad superior para distinguir la MCH del corazón del atleta sobre los valores promedio nativos de T1 y VEC. Propósito Nuestra hipótesis era que un análisis de textura de imágenes cartográficas de T1 y ECV identificaría características que podrían discriminar entre un MCH y el corazón de atleta con una precisión de clasificación (AC) más alta que los valores promedio de T1 y VEC. Métodos Este estudio incluyó datos de 97 sujetos diagnosticados con MCH (según las guías; 5) y 28 atletas que participaron en el ensayo Master@Heart (un estudio en curso que evalúa los efectos beneficiosos del ejercicio de resistencia a largo plazo para la prevención de la enfermedad arterial coronaria, 6). Los datos de mapeo T1 de eje largo y corto se adquirieron en un sistema Philips Ingenia de 1.5T utilizando MOLLI (esquema de segundos). Después de la corrección de movimiento fuera de línea y el cálculo del mapa T1 y ECV (7), el miocardio del ventrículo izquierdo se delineó manualmente (3D Slicer; 8). El análisis de textura de las imágenes enmascaradas resultó en 194 características (Pirradiómica, ajustes estándar; 9). El conjunto de datos se dividió (75/25%) con fines de capacitación y prueba, manteniendo imágenes del mismo sujeto dentro del mismo conjunto. Se aplicó un rango de filtro basado en correlación rápida a los datos de entrenamiento para derivar características relevantes. Una reducción adicional a solo dos características se basó en la CA de un método de aprendizaje de máquina vectorial de soporte (SVM) (núcleo lineal; costo 0.9 regresión pérdida epsilon 0.1; leave-one-out). Finalmente, se utilizó el análisis ROC en los datos de la prueba para determinar la precisión diagnóstica para los siguientes predictores: (1) mediana T1 y ECV (2) dos características más relevantes (entrenamiento) (3) combinación de (1) y (2) (estadísticas de AUC ROC (10)). Resultados Las dos características más relevantes fueron la característica del histograma de energía ECV y la matriz de zona de tamaño de nivel de gris (GLSZM) cuentan con entropía de zona T1 nativa, una medida de heterogeneidad en el patrón de textura. Un modelo para distinguir la MCH de los atletas basado en estas características superó al modelo utilizando solo valores medianos de T1 y ECV con mayor sensibilidad y especificidad (tabla 1) y un AUC significativamente más alto en el análisis ROC (p < 0,05, figura 1). La combinación de estas dos características con valores medianos no mejoró aún más la CA. Conclusión El análisis de textura de las imágenes cartográficas T1 y ECV corregidas por movimiento supera al análisis clásico basado en valores promedio para distinguir la MCH del corazón del atleta.