Modèle génératif probabiliste pour le problème inverse de l’électrocardiographie

Deep probabilistic generative model for the inverse problem of electrocardiography

• Auteur / Autrice : Tania-Marina Bacoyannis
• Direction : Maxime Sermesant
• Type : Thèse de doctorat
• Discipline(s) : Automatique et Traitement du Signal et des Images
• Date : Soutenance le 17/12/2021
• Etablissement(s) : Université Côte d'Azur
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Nice ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut national de recherche en informatique et en automatique (France). Unité de recherche (Sophia Antipolis, Alpes-Maritimes)
• Jury : Président / Présidente : Vicente Zarzoso
• Jury : Examinateurs / Examinatrices : Maxime Sermesant, Vicente Zarzoso, Oscar Camara Rey, Yves Coudière, Hubert Cochet
• Jury : Rapporteurs / Rapporteuses : Oscar Camara Rey, Yves Coudière

Mots clés

Mots clés contrôlés

Problèmes inverses

Modèles mathématiques

Électrocardiographie

Apprentissage profond

Mots clés libres

Activation cardiaque

Apprentissage profond

Électrocardiographique

Modélisation numérique

Modèle génératif

Problème inverse

Traitement de données

Cardiac activation

Computational modelling

Data processing

Deep learning

Electrocardiography

Generative model

Inverse problem

Résumé

L'imagerie électrocardiographique (ECGI) est une ressource exceptionnelle dans la pratique et la recherche en cardiologie, en raison de sa manière non invasive d'étudier les anomalies de l'activité électrique cardiaque par l'acquisition d'ECG via des électrodes multiples placées sur le torse. Cette approche fascinante est largement basée sur la résolution du problème inverse de l'ECGI. A ce jour, encore aucune méthode pour résoudre ce problème connu comme étant mal posé n'a su convaincre suffisamment pour rendre l'ECGI la modalité de prédilection en clinique. Ainsi, l'objectif de cette thèse a été de contribuer de manière significative à l'avancement de l'ECGI, afin de l'établir dans un avenir proche comme méthode préférentielle en routine clinique pour le diagnostic des arythmies. Le travail entrepris nous a permis de proposer une nouvelle formulation du problème ECGI basée sur le Deep Learning. Le cœur du modèle développé est un autoencodeur variationnel et conditionnel utilisant des réseaux neuronaux génératifs profonds. Notre modèle unique est capable de générer des cartes d'activation cardiaque en conditionnant l'activité électrique du cœur avec des signaux mesurés à la surface du torse et la géométrie cardiaque. Le manuscrit de la thèse suit l'évolution en trois étapes de notre modèle basé sur le Deep Learning. Premièrement, nous avons traité le problème dans un espace à deux dimensions. Nous avons reformulé l'ensemble du problème de l'ECGI en employant un modèle génératif probabiliste, qui est un autoencodeur variationnel et conditionnel basé sur des réseaux de neurones convolutifs. Le modèle a été entraîné et validé sur une base de données synthétique que nous avons générée à partir des images CT d'un patient, en utilisant le modèle eikonal directement sur une grille cartésienne de 10x10 électrodes. Deuxièmement, le modèle 2D a été généralisé en un modèle 3D, qui a été entraîné sur une base de données simulées à partir des images CT de cinq patients, puis évalué sur une nouvelle géométrie cardiaque. La dernière partie de ce travail de thèse consiste à évaluer la méthode 3D que nous avons proposée sur des données cliniques réelles. A des fins de validation, le traitement des données cliniques comprend : l'acquisition et la segmentation d'images CT, l'analyse de signaux ECG non invasifs sur le torse ainsi que la cartographie invasive par cathéter des temps d'activation et des tensions bipolaires via un système électro-anatomique conventionnel. Dans cette partie, nous avons simulé les cartes d'activation cardiaque et les potentiels à la surface du torse en appliquant le modèle eikonal sur deux grilles cartésiennes de 10x13 électrodes chacune. De plus, ici les cartes d'activation ne sont plus conditionnées par le masque binaire de l'image cardiaque mais par des cartes de conductivité, bien qu'elles soient toujours conditionnées par les potentiels de la surface thoracique. Notre modèle génératif probabiliste est supérieur aux méthodes classiques sur plusieurs aspects. En particulier, grâce aux réseaux de neurones convolutifs, notre modèle est capable d'apprendre les interactions spatio-temporelles entre les signaux, alors que la plupart des méthodes existantes résolvent chaque pas de temps indépendamment ou utilisent un a priori temporel sans corrélations spatiales. De plus, la corrélation entre le substrat d'imagerie et les signaux est également apprise, ce qui nous permet d'intégrer toute information d'image 3D dans le modèle basé sur l'ECGI, ce qui est difficile à réaliser dans la formulation classique. À notre connaissance, notre méthode ECGI est la première méthode capable de reconstruire le modèle d'activation dans l'ensemble du myocarde de manière volumétrique et à haute résolution spatiale. Notre nouveau framework peut être rapidement intégré dans le workflow de routine clinique pour effectuer des tests diagnostiques non invasifs et précis basés sur l'ECGI dans de larges cohortes de patients souffrant d'arythmie.

Electrocardiographic imaging (ECGI) is an exceptional resource in cardiology practice and research, owing to its non-invasive manner to study cardiac electrical activity abnormalities by means of acquiring ECGs via multi-electrodes placed on the torso. This enthralling approach is largely based on solving an inverse ill-posed problem of ECGI. However, to date, no method for solving this problem has been sufficiently convincing in order to establish ECGI as a clinical modality of first choice. Thus, the aim of this thesis has been to endeavor to significantly contribute towards the advancement of ECGI implementation, in order to establish it in the near future as a preferentially routine method of arrhythmia diagnostic in the clinics. The work undertaken in this thesis has allowed us to propose a novel formulation of ECGI problem based on deep learning. Specifically, the core of the model we developed is a variational and conditional autoencoder using deep generative neural networks. Our unique model is able to produce advanced maps of cardiac activation by conditioning the electrical activity of the heart with signals measured on the torso surface and the cardiac geometry.The thesis manuscript follows the three-step evolution of our deep learning-based model. In the first step, we treated the problem in a two-dimension space. We reformulated the entire ECGI problem employing a probabilistic generative model, which is a variational and conditional autoencoder based on convolutional neural networks. The model was trained and validated on a synthetic database that we generated from CT images of a patient, using the eikonal model directly on a 10x10 electrode Cartesian grid. Secondly, the 2D model was further generalised to a 3D model, which was trained on a simulated database from the CT images of five patients and then evaluated on a new cardiac geometry. The last part of this thesis work consists in evaluating our proposed 3D method on realistic clinical data. The clinical data processing includes: acquisition and segmentation of CT images, along with the measurement and analysis of non-invasive ECG signals on the torso as well as of invasive catheter-based mapping of activation times and unipolar/bipolar voltages via a conventional electro-anatomical system (for validation purposes). In this part, we simulated cardiac activation maps and torso surface potentials by applying the eikonal model on two Cartesian grids of 10x13 electrodes each. Moreover, here the activation maps are no longer conditioned by the binary mask of cardiac image but rather by conductivity maps, although they are still conditioned by the potentials on the thoracic surface.Our probabilistic generative model is superior to classic methods in several aspects. In particular, thanks to convolutional neural networks, our model is able to learn the spatio-temporal interactions between the signals, whereas most existing methods for ECGI either solve each time step independently or use a temporal prior without spatial correlations. We should also highlight that the correlation between the imaging substrate and the signals is also learned, allowing us to integrate any 3D image information into the ECGI-based model, which is difficult to achieve in the classical formulation. To our knowledge, our ECGI method is the first method able to reconstruct activation patterns in the whole myocardium volumetrically and at high spatial resolution. Our novel framework could be rapidly translated into routine clinical workflow for non-invasive, accurate diagnostic and ECGI-based testing in large cohorts of arrhythmia patients.