Sistemas que possibilitam a prevenção ou auxílio no diagnóstico de doenças cardiovasculares podem contribuir para a redução da mortalidade por essas condições, que são as principais causas de morte no mundo. A quantificação precisa dos parâmetros cardíacos permite o acesso a dados fundamentais para o diagnóstico de cardiomiopatias e também possibilita a avaliação da eficácia dos tratamentos. As cardiomiopatias podem ser avaliadas utilizando imagens de ressonância magnética cardíaca (RMC), que é considerada a técnica de imagem padrão-ouro para acessar a função cardíaca e a deformação (strain) cardíaca. A deformação do miocárdio fornece informações adicionais para prever prognóstico de um paciente. No entanto, quantificar a deformação em imagens de RMC é uma tarefa desafiadora, e inúmeras discrepâncias inter e intramodalidade dificultam sua adoção na prática clínica. Os métodos mais populares para determinar a deformação do miocárdio geralmente envolvem a segmentação manual ou semi-automatizada, seguida pelo rastreamento de movimento. Mesmo quando realizada por um especialista qualificado, a segmentação do miocárdio é um processo demorado e custoso para ser concluído. Além disso, nas imagens de RMC cardíaca, a intensidade uniforme de brilho altamente no interior do miocárdio dificulta a segmentação correta das paredes cardíacas, o que limita os métodos de rastreamento de movimento disponíveis atualmente. Um subconjunto das técnicas de aprendizado de máquina, conhecido como aprendizado profundo (AP), demonstrou um potencial considerável em uma variedade de aplicações médicas. Como não depende da interação e subjetividade humana, a aplicação de abordagens AP pode melhorar o desempenho da quantificação de parâmetros do miocárdio, como a deformação, com possivelmente redução da variabilidade. Como o modelo de AP treinado é determinístico, os resultados de análises sucessivas da mesma imagem são consistentes. Neste trabalho, propusemos e avaliamos um novo método baseado em AP para quantificar a deformação miocárdica em RMC com sequência de pulso do tipo 2D-SSFP. Desenvolvemos uma sequência híbrida que utiliza AP supervisionado e não-supervisionado para automatizar as tarefas envolvidas na segmentação do músculo cardíaco e na estimativa do seu movimento. Investigamos a generalizabilidade de um método de segmentação de AP supervisionado para delinear o músculo cardíaco e usamos um modelo de AP não supervisionado para rastrear o movimento no ventrículo esquerdo em imagens de ressonância magnética cinética 3D reais e sintéticas. Por fim, investigamos a relação entre o miocárdio segmentado e o movimento estimado no músculo para quantificar a deformação do miocárdio. Os resultados deste estudo demonstram o potencial das abordagens baseadas em AP para automatizar e melhorar a precisão da quantificação da deformação miocárdica. A sequência proposta mostrou resultados promissores na segmentação precisa do músculo cardíaco e no rastreamento do seu movimento, o que pode auxiliar no diagnóstico e monitoramento de doenças cardíacas, reduzir a necessidade de intervenção manual e economizar tempo. Em geral, este trabalho destaca o potencial do AP em melhorar a precisão e eficiência da análise de imagens cardíacas.

Systems designed to prevent or aid in the diagnosis of cardiovascular diseases can greatly reduce mortality rates associated with these diseases, which are the leading global causes of death. The precise measurement of cardiac parameters provides essential data for diagnosing cardiomyopathies and evaluating the effectiveness of treatments. Cardiomyopathies can be assessed using cardiac magnetic resonance images (CMR), considered the gold standard imaging technique for evaluating cardiac function and deformation (strain). Myocardial strain measurement offers additional insights for predicting a patient's prognosis. Nevertheless, quantifying strain in CMR images is a challenging task, and numerous inter- and intra-modality discrepancies hinder its adoption in clinical practice. The most popular methods for determining myocardial strain typically involve manual or semi-automated segmentation, followed by motion tracking. Even when performed by a qualified expert, myocardium segmentation is time-consuming and costly. Furthermore, in CMR images, the highly uniform brightness intensity within the myocardium makes it difficult to accurately segment the cardiac walls, which limits currently available motion-tracking methods. A subcategory of machine learning, known as deep learning (DL) has shown substantial promise in various medical applications. As it does not depend on human interaction and subjectivity, the application of DL approaches has the potential to improve the accuracy of myocardial parameter quantification, including myocardium deformation, with potentially reduced variability. Since the trained DL model is deterministic, the findings from successive analyses of the same image are consistent. In this study, we introduced and evaluated a novel DL-method for quantifying myocardial strain in CMR images with 2D-SSFP pulse sequence. We developed a hybrid pipeline that combines supervised and unsupervised DL approaches to automate tasks related to cardiac muscle segmentation and motion estimation. We explored the generalizability of a supervised DL segmentation method for delineating the cardiac muscle and employed an unsupervised DL model to track motion in the left ventricle in both real and synthetic 3D cine magnetic resonance images. Finally, we investigated the relationship between the segmented myocardium and the estimated motion to quantify myocardial strain. The results of this study highlight the potential of DL-based approaches to automate and improve the accuracy of myocardial strain quantification. Ou r proposed hybrid pipeline exhibited promising results in accurately segmenting the cardiac muscle and tracking its motion, which can aid in the diagnosis and monitoring of cardiac diseases, reduce the need for manual intervention, and save time. In summary, this work underscores the potential of DL in enhancing the precision and efficiency of cardiac imaging analysis.