dicABC Imagem CardiovascularArq Bras Cardiol: Imagem cardiovasc.2675-312XSociedade Brasileira de Cardiologiaabcimg.2023376i10.36660/abcimg.2023376iEditorialMitral Valve Area Quantification Using Digital Image Processing: Is That Feasible?0009-0003-9112-776XDaminelloEdgar10000-0002-3402-1120VieiraPaulo Pinto Alves Campos20009-0005-7507-6338FischerCláudio Henrique130000-0002-4561-5717VieiraMarcelo Luiz Campos14Hospital Israelita Albert EinsteinSão PauloSPBrazilHospital Israelita Albert Einstein, São Paulo, SP – BrazilUniversidade Santo AmaroSão PauloSPBrazilUniversidade Santo Amaro (UNISA), São Paulo, SP – BrazilUniversidade Federal de São PauloSão PauloSPBrazilUniversidade Federal de São Paulo (UNIFESP), São Paulo, SP – BrazilFaculdade De Medicina Da Universidade De SãO PauloInstituto do CoraçãoSão PauloSPBrazilInstituto do Coração (InCor), Faculdade De Medicina Da Universidade De SãO Paulo (FMUSP), São Paulo, SP – BrazilMailing Address: Marcelo Luiz Campos Vieira • Rua Nova York, 970, ap. 11. Postal code: 04560-002. Brooklin, São Paulo, SP – Brazil. E-mail: mluiz766@terra.com.br310320232023361e376090120232701202330012023This is an open-access article distributed under the terms of the Creative Commons Attribution LicenseKeywordsArtificial intelligenceautomated diagnosisalgorithmechocardiographymitral valve
Echocardiography, since its initial descriptions in the 1950s, has evolved every decade with the incorporation of numerous new techniques, enabling structural cardiac analysis from multiple planes of spatial observation in real time. This occurred with the advent of nanotechnology, digital technology, application of modifiable algorithms based on the concept of machine learning and deep learning through the development of artificial intelligence (AI).1–6 The use of AI is an ever-increasing reality in medicine as a whole, mainly in operator-dependent imaging areas, such as ultrasonography imaging.
In the concept of analyzing the confluence of a very large number of pieces of information (e.g. radiomics, metabolomics, proteomics) for the formation of data clusters with the aim of integrated patient observation, the formation of precision medicine, AI is used in a rational and organized way. The use of AI allows faster, more balanced and homogeneous observation of inputs, in the sense of minimizing inter and intraobserver errors.1–6 In the specific echocardiographic evaluation, the use of AI presents a very wide range of applications, having been used for the acquisition of echocardiographic information for the quantification of left ventricular volumes and mass, analysis of biventricular systolic function, segmentation and qualification of the cusps, annulus and mitral valve apparatus, analysis of hypertrophic phenocopy (athletes, patients with hypertrophic cardiomyopathy), to predict the outcome of percutaneous hemodynamic procedures (e.g.: mitraclip).1 We are currently working on a project in association with the University of Chicago for AI analysis of patients affected by transthyretin cardiac amyloidosis.
Regrettably, rheumatic disease remains, in the 2020s, a pathology of great epidemiological expression, especially in underdeveloped and developing countries.7 Therefore, it seems highly appropriate and of special interest the echocardiographic analysis using AI and its various algorithms for interpreting patients suffering from rheumatic disease. Rheumatic disease is the most prevalent etiology of mitral valve stenosis, with mitral stenosis being the most expressive chronic lesion of rheumatic cardiac involvement.7,8 Echocardiography is an essential diagnostic tool in the recognition and determination of the extent of cardiac involvement in rheumatic disease, especially in mitral valve dysfunction, by demonstrating typical findings such as reduced mobility due to leaflet thickening, commissural fusion, involvement of the subvalvular apparatus (shortening, thickening and fusion of the chordae tendineae) and valve and annulus calcification.7–9 The progressive reduction of the valve area is accompanied by a gradual increase in left atrial pressure, pulmonary venous pressure and the onset of more common symptoms such as dyspnea.7–9 The grading of mitral stenosis requires careful valve morphofunctional evaluation, as well as an accurate analysis of associated pathologies due to the implications in the therapeutic decision and the choice from different types of intervention (percutaneous or surgical approach in its multiple possibilities).7–9
Echocardiography is the first-line imaging technique for analyzing the mitral valve, offering numerous advantages over other analysis techniques (real-time analysis, devoid of radiation, based on three-dimensional projections, low cost, widely available); however, it has limitations, such as the great dependence on the quality of the acquired image, dependence on the cardiologist's experience during the acquisition and interpretation of images, especially in the three-dimensional study, which requires additional training and experience, for better multiplanar reconstruction of cardiac structures. Real-time three-dimensional echocardiography shows the leaflets in multiple planes, providing a more accurate identification of the most anatomical opening of the mitral valve.7–9 Evaluation of valve segmentation, important in minimally invasive structural cardiac intervention, showed great progress in recent years, due to the applicability of AI to cardiovascular imaging tests.4,9 This AI analysis of the mitral valve apparatus has evolved rapidly over the last few years, from the analysis that required many steps for its final elaboration to the semiautomatic, rapid and very expressive analysis of the mitral valve anatomy.4,9 We are currently working on a project for the rapid semiquantitative analysis of the surgical results of patients with mitral valve disease due to fibroelastic etiology and valve prolapse, with pre and post-operative analysis after double teflon repair. This analysis shows the observation of more than 30 elements that constitute the mitral valve apparatus.
AI technology has the potential to optimize and revolutionize the practice of echocardiography, creating opportunities for standardization, improving accuracy and efficiency in cardiovascular imaging laboratories.1–6 In recognition of this growing influence in echocardiography laboratories, Professor Vera Rigolin, from the Northwestern Memorial Hospital, Chicago, USA, introduced the concept of the four pillars of AI, namely: education, image acquisition, analysis and integration with clinical data.5 These actions tend to minimize intra- and interobserver variability, inherent in the echocardiographic method, through the creation of protocols for the acquisition and analysis of images to quantify left ventricular ejection fraction, myocardial strain and grading valve lesion severity, among other application possibilities.5
AI-based digital image processing (DIP), a method proposed by Barros Filho et al.,10 published in this issue of Arquivos Brasileiros de Cardiologia: Imagem Cardiovascular, has the purpose of improving the visual information of the mitral valve for analysis, automating the determination of the valve area by planimetry and transmitting and storing this information. Usually, image processing after acquisition tends to be hard work, requiring specific training and knowledge. The proposed DIP may eventually have a great clinical impact by minimizing this difficulty by using an easy, fast and intuitive language system with adequate reproducibility, with the potential to reduce human distraction and fatigue, inherent in complex and prolonged work, limiting intra- and inter-observer variability and assisting the interpretation of multiple and complex data.
Therefore, we recommend reading the article “Automatic Mitral Valve Measurement Based on Echocardiography Using Digital Image Processing,”10 by Barros Filho et al., congratulating the group of researchers for the excellence of the investigation.
Regarding article “Automatic Measurement of Mitral Valve Based on Echocardiogram Using Digital Image Processing”
Editor responsible for the review: Daniela do Carmo Rassi Frota
ReferencesDaminelloEVieiraPPACFischerCHVieiraMLCAplicação da Inteligência Artificial em Imagem Cardiovascular: em EcocardiografiaRev Soc Cardiol Estado de São Paulo202131438839310.29381/0103-8559/2022320139-44Daminello E, Vieira PPAC, Fischer CH, Vieira MLC. Aplicação da Inteligência Artificial em Imagem Cardiovascular: em Ecocardiografia. Rev Soc Cardiol Estado de São Paulo. 2021;31(4):388-93. doi: 10.29381/0103-8559/2022320139-44.NarangABaeRHongHThomasYSuretteSCadieuCUtility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic UseJAMA Cardiol20216662463210.1001/jamacardio.2021.0185Narang A, Bae R, Hong H, Thomas Y, Surette S, Cadieu C, et al. Utility of a Deep-Learning Algorithm to Guide Novices to Acquire Echocardiograms for Limited Diagnostic Use. JAMA Cardiol. 2021;6(6):624-32. doi: 10.1001/jamacardio.2021.0185.ChaoCJKatoNScottCGLopez-JimenezFLinGKaneGCUnsupervised Machine Learning for Assessment of Left Ventricular Diastolic Function and Risk StratificationJ Am Soc Echocardiogr202235121214.e81225.e810.1016/j.echo.2022.06.013Chao CJ, Kato N, Scott CG, Lopez-Jimenez F, Lin G, Kane GC, et al. Unsupervised Machine Learning for Assessment of Left Ventricular Diastolic Function and Risk Stratification. J Am Soc Echocardiogr. 2022;35(12):1214-1225.e8. doi: 10.1016/j.echo.2022.06.013.PardiMMPomerantzeffPMASampaioROAbduchMCBrandãoCMAMathiasWJrRelation of Mitral Valve Morphology to Surgical Repair Results in Patients with Mitral Valve Prolapse: A Three-Dimensional Transesophageal Echocardiography StudyEchocardiography20183591342135010.1111/echo.14048Pardi MM, Pomerantzeff PMA, Sampaio RO, Abduch MC, Brandão CMA, Mathias W Jr, et al. Relation of Mitral Valve Morphology to Surgical Repair Results in Patients with Mitral Valve Prolapse: A Three-Dimensional Transesophageal Echocardiography Study. Echocardiography. 2018;35(9):1342-50. doi: 10.1111/echo.14048.ThachilRHansonDArtificial Intelligence in Echocardiography: A Disruptive Technology for Democratizing and Standardizing HealthJ Am Soc Echocardiogr2022358A14A1610.1016/j.echo.2022.06.001Thachil R, Hanson D. Artificial Intelligence in Echocardiography: A Disruptive Technology for Democratizing and Standardizing Health. J Am Soc Echocardiogr. 2022;35(8):A14-A16. doi: 10.1016/j.echo.2022.06.001.SeetharamKRainaSSenguptaPPThe Role of Artificial Intelligence in EchocardiographyCurr Cardiol Rep2020229999910.1007/s11886-020-01329-7Seetharam K, Raina S, Sengupta PP. The Role of Artificial Intelligence in Echocardiography. Curr Cardiol Rep. 2020;22(9):99. doi: 10.1007/s11886-020-01329-7.PandianNGKimJKArias-GodinezJAMarxGRMichelenaHIMohanJCRecommendations for the Use of Echocardiography in the Evaluation of Rheumatic Heart Disease: A Report from the American Society of EchocardiographyJ Am Soc Echocardiogr202336132810.1016/j.echo.2022.10.009Pandian NG, Kim JK, Arias-Godinez JA, Marx GR, Michelena HI, Mohan JC, et al. Recommendations for the Use of Echocardiography in the Evaluation of Rheumatic Heart Disease: A Report from the American Society of Echocardiography. J Am Soc Echocardiogr. 2023;36(1):3-28. doi: 10.1016/j.echo.2022.10.009.SilbigerJJAdvances in Rheumatic Mitral Stenosis: Echocardiographic, Pathophysiologic, and Hemodynamic ConsiderationsJ Am Soc Echocardiogr2021347709.e1722.e110.1016/j.echo.2021.02.015Silbiger JJ. Advances in Rheumatic Mitral Stenosis: Echocardiographic, Pathophysiologic, and Hemodynamic Considerations. J Am Soc Echocardiogr. 2021;34(7):709-722.e1. doi: 10.1016/j.echo.2021.02.015.VieiraMLCBrancoCEBGazolaASLVieiraPPACBenvenutiLADemarchiLMMF3D Echocardiography for Rheumatic Heart Disease Analysis: Ready for Prime TimeFront Cardiovasc Med2021867693867693810.3389/fcvm.2021.676938Vieira MLC, Branco CEB, Gazola ASL, Vieira PPAC, Benvenuti LA, Demarchi LMMF, et al. 3D Echocardiography for Rheumatic Heart Disease Analysis: Ready for Prime Time. Front Cardiovasc Med. 2021;8:676938. doi: 10.3389/fcvm.2021.676938.BarrosGFFilhoSolhaIMedeirosEFFelixASAlmeidaALCLimaJCJrMedição Automática de Valva Mitral a Partir de Ecocardiograma Utilizando Processamento Digital de ImagensArq Bras Cardiol: Imagem Cardiovasc2023361e37110.36660/abcimg.2023371Barros GF Filho, Solha I, Medeiros EF, Felix AS, Almeida ALC, Lima JC Jr, et al. Medição Automática de Valva Mitral a Partir de Ecocardiograma Utilizando Processamento Digital de Imagens. Arq Bras Cardiol: Imagem Cardiovasc. 2023;36(1):e371. doi: 10.36660/abcimg.2023371.10.36660/abcimg.2023376EditorialQuantificação Automática da Área da Valva Mitral por Processamento Digital de Imagens: É Realizável?0009-0003-9112-776XDaminelloEdgar10000-0002-3402-1120VieiraPaulo Pinto Alves Campos20009-0005-7507-6338FischerCláudio Henrique130000-0002-4561-5717VieiraMarcelo Luiz Campos14São PauloSPBrasilHospital Israelita Albert Einstein, São Paulo, SP – BrasilSão PauloSPBrasilUniversidade Santo Amaro (UNISA), São Paulo, SP – BrasilSão PauloSPBrasilUniversidade Federal de São Paulo (UNIFESP), São Paulo, SP – BrasilSão PauloSPBrasilInstituto do Coração (InCor), Faculdade de Medicina da Universidade de São Paulo (FMUSP), São Paulo, SP – BrasilCorrespondência: Marcelo Luiz Campos Vieira • Rua Nova York, 970, ap. 11. CEP: 04560-002. Brooklin, São Paulo, SP – Brasil. E-mail: mluiz766@terra.com.brPalavras-chaveInteligência artificialdiagnóstico automatizadoalgoritmoecocardiografiavalva mitral
A ecocardiografia, desde as suas descrições iniciais nos anos 1950, evoluiu a cada década com a incorporação de inúmeras técnicas novas, possibilitando a análise cardíaca estrutural a partir de múltiplos planos de observação espacial em tempo real. Isto ocorreu a partir do advento da nanotecnologia, da tecnologia digital, da aplicação de algoritmos modificáveis a partir do conceito de machine learning e deep learning por desenvolvimento da inteligência artificial (IA).1–6 A utilização de IA é uma realidade cada vez maior na medicina como um todo, principalmente nas áreas de imagem operador dependente, como é o caso das imagens obtidas com o emprego da ultrassonografia.
No conceito da análise da confluência de número muito grande de informações (ex.: radiômica, metabolômica, proteômica) para a formação de clusters de dados no intuito da observação integrada do paciente, da formação da medicina de precisão, a IA é empregada de forma racional e organizada. O emprego da IA permite a observação mais rápida, equilibrada e homogênea da aquisição de dados (inputs), no sentido da minimização dos erros inter e intraobservadores.1–6 Na avaliação específica ecocardiográfica, o emprego da IA apresenta possibilidade muito ampla de aplicações, já tendo sido utilizada para a aquisição de informações ecocardiográficas para a quantificação dos volumes e da massa do ventrículo esquerdo, para a análise da função sistólica biventricular, para a segmentação e qualificação das cúspides, anel e aparato valvar mitral, para a análise da fenocópia hipertrófica (atletas, portadores de cardiomiopatia hipertrófica), para a predição do resultado de procedimentos percutâneos hemodinâmicos (ex.: mitraclip).1 No momento, trabalhamos em projeto em associação com a Universidade de Chicago para a análise por IA de pacientes acometidos por amiloidose cardíaca do tipo transtirretina.
Lamentavelmente, a doença reumática permanece nos anos 2020 como patologia de grande expressão epidemiológica, sobretudo nos países subdesenvolvidos e em fase de desenvolvimento.7 Neste sentido, parece-nos bastante apropriado e de especial interesse a análise ecocardiográfica com o emprego da IA e de seus variados algoritmos de interpretação dos pacientes acometidos por doença reumática. A doença reumática é a etiologia mais prevalente da estenose valvar mitral, sendo a estenose mitral a lesão crônica mais expressiva do acometimento cardíaco reumático.7,8 A ecocardiografia é ferramenta diagnóstica essencial no reconhecimento e determinação da extensão do acometimento cardíaco na doença reumática, em especial na disfunção valvar mitral, por meio da demonstração de achados típicos como mobilidade reduzida por espessamento das cúspides, fusão comissural, envolvimento do aparato subvalvar (encurtamento, espessamento e fusão das cordas tendíneas) e calcificação valvar e do anel.7–9 A progressiva redução da área valvar é acompanhada de gradual aumento da pressão atrial esquerda, da pressão venosa pulmonar e do surgimento de sintomas mais habituais como dispneia.7–9 A graduação da estenose mitral suscita cuidadosa avaliação morfofuncional valvar, assim como análise acurada das patologias associadas em razão das implicações na decisão terapêutica e da escolha entre modalidades distintas de intervenção (abordagem percutânea ou cirúrgica em suas múltiplas possibilidades).7–9
A ecocardiografia é a técnica de imagem de primeira linha para a análise da valva mitral, apresentando inúmeras vantagens sobre outras técnicas de análise (análise em tempo real, desprovida de radiação, a partir de projeções tridimensionais, de baixo custo, amplamente disponível); apresenta, no entanto, limitações, como a grande dependência da qualidade de imagem adquirida, dependência da experiência do cardiologista durante a aquisição e interpretação das imagens, sobretudo no estudo tridimensional, que requer treinamento e experiência adicionais, para melhor reconstrução multiplanar das estruturas cardíacas. A ecocardiografia tridimensional em tempo real permite a visualização das cúspides em múltiplos planos, e assim, propicia identificação mais precisa da abertura mais anatômica da valva mitral.7–9 A avaliação da segmentação valvar, importante na intervenção cardíaca estrutural minimamente invasiva, apresentou grande avanço nos últimos anos, decorrente da aplicabilidade da IA aos exames de imagem cardiovascular.4,9 Esta análise por IA do aparato valvar mitral evoluiu de forma rápida ao longo dos últimos anos, desde a análise que demandava muitos passos para a sua elaboração final até a análise semiautomática, rápida e muito expressiva da anatomia valvar mitral.4,9 No momento, estamos trabalhando em projeto para a análise semiquantitativa rápida dos resultados cirúrgicos de pacientes portadores de valvopatia mitral por etiologia fibroelástica e prolapso valvar, com análise pré e pós-operatória após o emprego da técnica corretiva de duplo teflon. Esta análise demonstra a observação de mais de 30 elementos que constituem o aparato valvar mitral.
A tecnologia de IA tem o potencial de otimizar e revolucionar a prática da ecocardiografia, criando oportunidades de padronização, melhorar a acurácia e a eficiência nos laboratórios de imagem cardiovascular.1–6 Em reconhecimento a esta crescente influência nos laboratórios de ecocardiografia, a Professora Vera Rigolin, do Northwestern Memorial Hospital, Chicago, EUA, introduziu o conceito dos quatro pilares da IA, a saber: educação, aquisição de imagem, análise e integração com dados clínicos.5 Este conjunto de ações tende a minimizar a variabilidade intra e interobservador, inerente ao método ecocardiográfico, por meio da criação de protocolos de aquisição e análise de imagens para quantificação da fração de ejeção do ventrículo esquerdo, da deformação miocárdica e graduação da gravidade da lesão valvar, entre outras possibilidades de aplicação.5
O processamento digital de imagens (PDI) baseado em IA, método proposto por Barros Filho e colaboradores,10 em publicação nesta edição dos Arquivos Brasileiros de Cardiologia: Imagem Cardiovascular, tem a finalidade de melhorar a informação visual da valva mitral para análise, automatizar a determinação da área valvar pela planimetria e transmitir e armazenar estas informações. Habitualmente, o processamento das imagens após a sua aquisição tende a ser trabalho árduo, que requer treinamento e conhecimento específicos. O PDI proposto poderá ter, eventualmente, grande impacto clínico ao minimizar esta dificuldade pela utilização de um sistema de linguagem fácil e intuitivo, rápido e com reprodutibilidade adequada, com potencial de reduzir a distração e fadiga humanas, inerentes aos trabalhos complexos e prolongados, limitando a variabilidade intra e interobservador e auxiliando a interpretação dos dados múltiplos e complexos.
Desta forma, recomendamos a leitura do artigo “Medição Automática de Valva Mitral a Partir de Ecocardiograma Utilizando Processamento Digital de Imagens”,10 de autoria de Barros Filho e colaboradores, parabenizando o grupo de pesquisadores pela excelência da investigação.
Referente ao artigo “Medição Automática de Valva Mitral a Partir de Ecocardiograma Utilizando Processamento Digital de Imagens”.
Editor responsável pela revisão: Daniela do Carmo Rassi Frota