No potential conflict of interest relevant to this article was reported.
Marcelo Tavares
Neural networks are computer models that mimic the workings of the human brain, learning from large volumes of data to perform increasingly complex tasks. This is done by means of interconnected artificial neurons that propagate information from raw layers to refined layers, sometimes of a weighted nature, weaving in the classification or identification of non-linear patterns. The Convolutional Neural Network (CNN) is a specialized deep learning architecture designed to extract and analyze spatial patterns within images, enabling applications in diagnostic decision-making and longitudinal clinical monitoring. Its use in Computed Tomography and Magnetic Resonance Imaging through cardiac image segmentation makes it possible to quickly and efficiently define cardiac structures, playing an important role in the reconstruction of three-dimensional images and in supporting preoperative procedures. In addition, compared to other forms of conventional analysis, it guarantees objective interpretations and superior image quality, based on the removal of artifacts from the studied segment. Echocardiograms have shown good results in identifying pathologies such as pulmonary hypertension, amyloidosis, hypertrophic cardiomyopathy and congenital diseases, and studies on the automation of these exams have shown an opening for what could be a dissemination framework in more remote areas where manual operators are not available. Consequently, CNN-based approaches have the potential to streamline cardiovascular imaging workflows, minimize inter-observer variability, and expand diagnostic capabilities to underserved and remote regions with limited access to specialized care.
AF: Atrial Fibrilation; CAD: Coronary artery disease; CT: Computed Tomography; ECO: Echocardiography; HCM: Hypertrophic Cardiomyopathy; IAC: Interatrial Communication; MRI: Magnetic Imaging Resonance; OCT: Optical Coherence Tomography; PAH: Pulmonary Arterial Hypertension; PDA: Patent Ductus Arteriosus; SPECT-MPI: Single Photon Emission Computed Tomography – Myocardial Perfusion Imaging.
The human nervous system is one of the most efficient ways of capturing and interpreting data, reflecting the stimuli and experiences to which the body is subjected throughout life.
Neural networks have emerged as artificial models that try to recover this processing quickly and effectively in order to solve the problems raised, becoming important tools in the dynamic field of artificial intelligence (AI).
This can be exemplified simply: in the assessment of a patient with suspected atrial fibrillation (AF), when an electrocardiogram is requested for investigation, each voltage in the tracing can take on the role of an input neuron, which can continue to influence the cascade and serve as a new input for the next neuron, solidifying the final response.
The application of AI in the medical field has been widely explored and, in recent years, has become a disruptive technology for interpreting images.
The advantages of CNN over other neural networks is that it establishes the vital resources for successful prediction, reducing the dimensionality of the resources in the previous layer.
Accurate segmentation of cardiac images is essential for clinical decision making, and Deep Learning techniques and the use of CNN have shown remarkable results in this area, although their quantification and analysis remains an ongoing challenge due to the complexity of cardiac substructures and existing anatomical variability. The individualization of this analysis is essential to solidify objective evidence of the most varied pathologies investigated, facilitating diagnosis, monitoring and clinical follow-up of the patient.
In this approach, through the image segmentation method, the convolutional neural network enables fast and efficient responses. This is because in certain situations, the presence of certain features is more important than others. Sometimes recognizing the location of an alteration in the heart chamber is the only essential objective, and it is not necessary to see these structures with high pixel definition.
The application scenario covers a wide range of imaging exams, from use in echocardiography to calculate end-systolic and end-diastolic volume, through to the ability to assess the ventricular or atrial space in multiple slices, as well as the observation of coronary calcification plaques through CT-guided coronary angiography (CCTA). The range of applications of CNNs in cardiac imaging is highlighted in the Central Illustration. For the most part, these aspects are supported by figures and engravings from atlases or other documents that are included in the model's database. Another interesting point is that there are already studies using the system itself to weave in and ensure the quality of ultrasounds and other tests made available.
The use of convolutional neural networks has excelled in automating the segmentation of cardiac and vascular structures in computed tomography (CT) images, a process by which cardiac structures or pathological lesions are delimited.
With regard to the identification of anatomical structures, Chen, et al. showed that the convolutional neural network proved to be an accurate and efficient tool for assessing the volume and three-dimensional reconstruction of the left atrium.
CNNs have also proved to be excellent tools for identifying pathological images in coronary angiography. Coronary computed tomography angiography is an important method for assessing the severity of arterial stenosis, as well as being highly accurate in quantifying atherosclerosis when compared to intravascular ultrasound. In a multicenter study, a neural network was trained to segment coronary plaques.
Quantification of epicardial adipose tissue can also be optimized through the use of CNNs. Epicardial adipose tissue is a metabolically active depot of visceral fat and may be related to visceral obesity and metabolic syndrome.
In recent years, magnetic resonance imaging has become an excellent tool for investigating cardiovascular diseases, with a high capacity to provide complex diagnoses.
Hauptmann, et al. trained a three-dimensional residual CNN in U-Net to remove spatio-temporal artifacts in subsampling real-time MRI data from images of patients with congenital heart disease.
CNNs have influenced multiple stages of the MRI workflow, from image acquisition planning and real-time reconstruction to post-processing tasks such as quantitative analysis and prognostic modeling. Like CT, MRI also plays an important role in the segmentation and consequent identification of cardiac structures.
In terms of disease identification, many studies have used conventional image indices as input data for neural networks to diagnose heart disease. For example, cardiac scarring identified on magnetic resonance imaging is associated with unfavorable cardiovascular outcomes. Bekheet, et al., developed a CNN called FibrosisNet to diagnose cardiac fibrosis on MRI, showing high diagnostic accuracy and precision.
Echocardiography is the most easily accessible and widely used imaging method for assessing cardiac structure and function. Its advantages include rapid image acquisition and the absence of ionizing radiation, which make it an efficient and democratic method. Echocardiography can be used both to screen asymptomatic patients and to diagnose and follow up cardiac conditions.
When it comes to applying automated image interpretation to echocardiography, there are some intrinsic challenges to this method. The echocardiogram consists of generating both static images, as well as videos and Doppler recordings collected from different points of view to obtain the desired parameters. In addition, the values obtained in the measurements can vary greatly due to the intrinsic variability of heartbeats. There is also the variation that already exists when extrapolating measurements from two-dimensional images to measurements of the three-dimensional object.
Despite these impasses and given the complexity of the diagnostic method in question, an automated learning approach would bring many benefits and assist human interpretation, as it would allow automatic identification and classification of views. In fact, the use of Deep Learning (DL), and more specifically Convolutional Neural Networks (CNNs), to train artificial intelligence in the interpretation of echocardiograms would make it possible to reduce costs and, consequently, democratize this test. This technological integration could enable echocardiographic acquisition by operators with limited specialized training, thereby facilitating access to cardiac imaging in geographically remote or resource-limited settings.
Several studies have shown the effectiveness of using CNNs in echocardiography. Among the applications observed, the majority are for quantifying the structure and function of the heart and for cardiac segmentation.
Zhang et al went further and trained a convolutional neural network for fully automated interpretation of echocardiograms, including visualization identification, image segmentation, quantification of heart structure and function, and disease detection. This study demonstrated success in the automated analysis of view type and image segmentation. With regard to the structure and function of the heart, there was some discrepancy between manual and automated measurements, especially of the structure, with a tendency to overestimate the values. Finally, the model was successful in identifying pulmonary arterial hypertension (PAH), amyloidosis and hypertrophic cardiomyopathy, based on analysis of the masses, structure and function of the heart chambers.
Recent studies have also evaluated the capacity for automatic diagnosis of pulmonary arterial hypertension and,
Another described pathology that can be identified by echocardiography using CNNs is occult atrial fibrillation (AF). Yuan et al developed a model that was able to distinguish between sinus rhythm and AF, as well as predicting the concomitant presence of paroxysmal AF in those with sinus rhythm. The model performed better than using clinical risk factors, transthoracic echocardiogram measurements, left atrial size or CHA2DS2VASc score.
Single Photon Emission Computed Tomography (SPECT) of myocardial perfusion is a test that can identify the presence of myocardial ischemia and therefore coronary artery disease. Betancur et al analyzed the application of deep learning to this diagnostic method, aiming to verify the ability to automatically predict coronary disease through CNNs trained with myocardial perfusion images, compared to the usual method currently used. The result was greater efficacy and better detection sensitivity with the deep learning method.
X-ray fluoroscopy allows real-time visualization of the cardiac structure, which makes it an indispensable method for performing image-guided procedures, such as cardiac resynchronization therapy, angiography and endovascular aortic repair. Deep learning has also been successfully tested to aid these procedures, either by reducing video noise or by fusing preoperative data with intraoperative x-ray images in order to guide the intervention and reduce contrast exposure.
The application of CNN in cardiac image analysis has emerged as a versatile tool, contributing to accurate and rapid diagnoses. Its incorporation into cardiovascular imaging makes it possible to remove the bias of inter-observer variability, reduce image artifacts, improve the automation of measurements and, finally, overcome geographical barriers by allowing the evaluation of images acquired remotely and thus democratizing care. Future perspectives should focus on large-scale validation studies to confirm the generalizability and clinical robustness of CNN-based approaches across diverse patient populations and imaging protocols. Furthermore, integrating these algorithms into routine workflows will require addressing regulatory and interoperability challenges to ensure safe and effective adoption in real-world cardiovascular practice.
There were no external funding sources for this study.
This study is not associated with any thesis or dissertation work.
This article does not contain any studies with human participants or animals performed by any of the authors.
The authors did not use any artificial intelligence tools in the development of this work.
The underlying content of the research text is contained within the manuscript.
Declaro não haver conflito de interesses pertinentes.
Marcelo Tavares
Redes neurais são modelos computacionais que imitam o funcionamento do cérebro humano, aprendendo a partir de grandes volumes de dados para realizar tarefas cada vez mais complexas. Isso é feito por meio de neurônios artificiais interconectados que propagam informações de camadas brutas para camadas refinadas, às vezes com pesos atribuídos, permitindo a classificação ou identificação de padrões não lineares. A Rede Neural Convolucional (CNN, do inglês
TC: Tomografia Computadorizada; RM: Ressonância Magnética; ECO: Ecocardiografia; HAP: Hipertensão Arterial Pulmonar; CMH: Cardiomiopatia Hipertrófica; FA: Fibrilação Atrial; CIA: Comunicação Interatrial; PCA: Persistência do Canal Arterial; DAC: Doença Arterial Coronariana.
O sistema nervoso humano é uma das formas mais eficientes de captar e interpretar dados, refletindo os estímulos e experiências aos quais o corpo é submetido ao longo da vida.
As redes neurais surgiram como modelos artificiais que buscam reproduzir esse processamento de forma rápida e eficaz, com o objetivo de solucionar os problemas propostos, tornando-se ferramentas importantes no dinâmico campo da Inteligência Artificial (IA).
Isso pode ser exemplificado de forma simples: na avaliação de um paciente com suspeita de Fibrilação Atrial (FA), quando um eletrocardiograma é solicitado para investigação, cada voltagem no traçado pode assumir o papel de um neurônio de entrada, que continua influenciando a cascata e serve como nova entrada para o próximo neurônio, solidificando a resposta final.
A aplicação da IA na área médica tem sido amplamente explorada e, nos últimos anos, tornou-se uma tecnologia disruptiva na interpretação de imagens.
A vantagem das CNNs em relação a outras redes neurais é que elas estabelecem os recursos essenciais para uma previsão bem-sucedida, reduzindo a dimensionalidade dos dados na camada anterior.
A segmentação precisa de imagens cardíacas é essencial para a tomada de decisões clínicas, e as técnicas de Deep Learning e o uso da CNN têm demonstrado resultados notáveis nessa área. No entanto, a quantificação e análise dessas imagens ainda representam um desafio contínuo, devido à complexidade das subestruturas cardíacas e à variabilidade anatômica existente. A individualização dessa análise é fundamental para consolidar evidências objetivas das mais variadas patologias investigadas, facilitando o diagnóstico, o monitoramento e o acompanhamento clínico do paciente.
Nessa abordagem, o uso da segmentação de imagens por meio de CNNs permite respostas rápidas e eficientes. Isso ocorre porque, em determinadas situações, a presença de certas características é mais relevante do que outras. Às vezes, identificar a localização de uma alteração na câmara cardíaca é o único objetivo essencial, não sendo necessário visualizar essas estruturas com alta definição de pixels.
O cenário de aplicação abrange uma ampla variedade de exames de imagem, desde a ecocardiografia – utilizada para calcular os volumes sistólico final e diastólico final – até a avaliação dos espaços ventriculares e atriais em múltiplos cortes, além da detecção de placas de calcificação coronariana por meio da angiotomografia coronária guiada por tomografia computadorizada (CCTA). A versatilidade das CNNs na imagem cardíaca é ilustrada na Figura Central. Na maioria dos casos, esses aspectos são apoiados por figuras e diagramas provenientes de atlas ou outros documentos incluídos no banco de dados do modelo. Outro ponto interessante é que já existem estudos que exploram o uso desses sistemas para avaliar e garantir a qualidade de ultrassonografias e outros exames diagnósticos.
O uso de CNNs tem se destacado na automatização da segmentação de estruturas cardíacas e vasculares em imagens de Tomografia Computadorizada (TC), processo pelo qual estruturas cardíacas ou lesões patológicas são delimitadas.
Com relação à identificação de estruturas anatômicas, Chen et al.
As CNNs também se mostraram excelentes ferramentas para a identificação de imagens patológicas na angiografia coronariana. A angiotomografia coronária por tomografia computadorizada é um método importante para avaliar a gravidade da estenose arterial, além de apresentar alta precisão na quantificação da aterosclerose quando comparada ao ultrassom intravascular. Em um estudo multicêntrico, uma rede neural foi treinada para segmentar placas coronarianas.
A quantificação do tecido adiposo epicárdico também pode ser otimizada com o uso de CNNs. O tecido adiposo epicárdico é um depósito metabolicamente ativo de gordura visceral e pode estar relacionado à obesidade visceral e à síndrome metabólica.
Nos últimos anos, a Ressonância Magnética (RM) tornou-se uma excelente ferramenta para a investigação de doenças cardiovasculares, com alta capacidade para fornecer diagnósticos complexos.
O desenvolvimento da RM de fluxo também trouxe avanços significativos ao fornecer informações sobre o fluxo sanguíneo em diversos planos, permitindo a identificação de
Hauptmann et al.
As CNNs influenciaram múltiplas etapas do fluxo de trabalho da RM, desde o planejamento da aquisição de imagens e reconstrução em tempo real até tarefas de pós-processamento, como análise quantitativa e modelagem prognóstica. Assim como a TC, a RM também desempenha um papel importante na segmentação e consequente identificação de estruturas cardíacas.
No que diz respeito à identificação de doenças, muitos estudos têm utilizado índices convencionais de imagem como dados de entrada para redes neurais na tentativa de diagnosticar doenças cardíacas. Por exemplo, a presença de cicatrizes cardíacas identificadas por RM está associada a desfechos cardiovasculares desfavoráveis. Bekheet et al.
A ecocardiografia é o método de imagem mais acessível e amplamente utilizado para avaliar a estrutura e a função cardíaca. Suas vantagens incluem aquisição rápida de imagens e ausência de radiação ionizante, o que a torna um método eficiente e democrático. A ecocardiografia pode ser utilizada tanto para rastrear pacientes assintomáticos quanto para diagnosticar e acompanhar condições cardíacas.
Quando se trata da aplicação de interpretação automatizada de imagens na ecocardiografia, existem alguns desafios intrínsecos a esse método. O ecocardiograma consiste na geração de imagens estáticas, bem como vídeos e registros Doppler coletados de diferentes pontos de vista para obtenção dos parâmetros desejados. Além disso, os valores obtidos nas medições podem variar significativamente devido à variabilidade intrínseca dos batimentos cardíacos. Há também a variação existente ao extrapolar medições de imagens bidimensionais para medições de um objeto tridimensional.
Apesar desses impasses e considerando a complexidade do método diagnóstico em questão, uma abordagem de aprendizado automatizado traria muitos benefícios e auxiliaria na interpretação humana, ao permitir a identificação e classificação automática das imagens. De fato, o uso de
Diversos estudos demonstraram a eficácia do uso de CNNs na ecocardiografia. Entre as aplicações observadas, a maioria está relacionada à quantificação da estrutura e função cardíaca, bem como à segmentação cardíaca.
Zhang et al.
Estudos recentes também avaliaram o potencial para o diagnóstico automático da HAP.
Outra patologia que pode ser identificada por meio da ecocardiografia com o uso de CNNs é a FA oculta. Yuan et al.
A TC por emissão de fóton único (SPECT) de perfusão miocárdica é um exame capaz de identificar a presença de isquemia miocárdica e, portanto, de doença arterial coronariana. Betancur et al.
A fluoroscopia por raios X permite a visualização em tempo real da estrutura cardíaca, o que a torna um método indispensável para a realização de procedimentos guiados por imagem, como a terapia de ressincronização cardíaca, angiografia e reparo endovascular da aorta. O DL também tem sido testado com sucesso para auxiliar esses procedimentos, seja na redução de ruído em vídeos ou na fusão de dados pré-operatórios com imagens intraoperatórias de raios X, com o objetivo de guiar a intervenção e reduzir a exposição ao contraste.
A aplicação de CNNs na análise de imagens cardíacas surgiu como uma ferramenta versátil, contribuindo para diagnósticos mais precisos e rápidos. Sua integração à imagem cardiovascular permite reduzir a variabilidade entre observadores, minimizar artefatos de imagem, aprimorar a automação de medições e superar barreiras geográficas ao possibilitar a avaliação remota de imagens adquiridas – democratizando, assim, o acesso ao cuidado. As direções futuras devem priorizar estudos de validação em larga escala para confirmar a generalização e a robustez clínica das abordagens baseadas em CNNs em diferentes populações de pacientes e protocolos de imagem. Além disso, a integração desses algoritmos aos fluxos de trabalho clínicos rotineiros exigirá a superação de desafios regulatórios e de interoperabilidade, a fim de garantir uma adoção segura e eficaz na prática cardiovascular real.
O presente estudo não teve fontes de financiamento externas.
Não há vinculação deste estudo a programas de pós-graduação.
Este artigo não contém estudos com humanos ou animais realizados por nenhum dos autores.
Os autores não utilizaram ferramentas de inteligência artificial no desenvolvimento deste trabalho.
Os conteúdos subjacentes ao texto da pesquisa estão contidos no manuscrito.