Transcatheter mitral valve interventions are emerging as a viable alternative for patients at high risk. Two key aspects are crucial during the preoperative planning: left ventricular outflow tract assessment and anatomical analysis. Given that the manual anatomical analysis is time-consuming, an automated approach may introduce efficiency during preoperative planning. In this study, we present an automatic method to detect the mitral valve annulus and discuss possible implementation of this method in clinical practice.

This retrospective study used the data of 71 patients collected from multiple centra. The mean age of this cohort was 74.2±13.1 years, and 56.1% of the patients were female and 43.9% male.

We trained three deep learning models to segment the area around the mitral valve annulus. In a post-processing step, we extracted the mitral valve annulus from this segmentation. As a final step, clinically relevant measurements such as 2D perimeter, trigone-to-trigone (TT) distance, septal-to-lateral (SL) distance and commissure-to-commissure (IC) distance were derived from the predicted mitral valve annulus. The method was cross-validated with k-folding.

The predicted measurements showed excellent correlation with the manually obtained clinical measurements: 2D perimeter: R²=0.93, TT-distance: R²=0.86, SL-distance: R²=0.86 and IC-distance: R²=0.90. The total analysis time per patient of the automatic method was less than 1 second, which is an enormous speed-up as compared to the manual process (25minutes).

The efficiency and accuracy of the proposed method give the confidence to move towards implementation of this technology in clinical practice. We propose a possible implementation of this method in clinical practice, which, in our opinion, will facilitate safe and efficient preoperative planning of transcatheter mitral valve interventions.

Les interventions de la valve mitrale transcathétérale apparaissent comme une alternative viable pour les patients à haut risque. Deux aspects essentiels sont cruciaux lors de la planification préopératoire : l’évaluation de l’écoulement ventriculaire gauche et l’analyse anatomique. Étant donné que l’analyse anatomique manuelle prend beaucoup de temps, une approche automatisée peut s’avérer efficace lors de la planification préopératoire. Dans cette étude, nous présentons une méthode automatique de détection de l’anneau de la valve mitrale et discutons d’une éventuelle application de cette méthode dans la pratique clinique.

Cette étude rétrospective a utilisé les données de 71 patients provenant de plusieurs centres. L’âge moyen de cette cohorte était de 74,2±13,1 ans. Au total, 56,1 % des patients étaient des femmes et 43,9 % des hommes.

Nous avons formé trois modèles d’apprentissage profond pour segmenter la zone autour de l’anneau de la valve mitrale. Dans l’étape de post-traitement, nous avons extrait l’anneau de la valve mitrale de cette segmentation. Comme dernière étape, des mesures cliniquement pertinentes, telles que le périmètre 2D, la distance trigone à trigone (TT), la distance septale-latérale (SL) et la distance commissure à commissure (IC) ont été dérivées de l’espace annulaire prévu de la valve mitrale. La méthode a été validée de manière croisée avec la méthode k-fold.

Les mesures prédites ont montré une excellente corrélation avec les mesures cliniques obtenues manuellement : périmètre 2D : R²=0,93, distance TT : R²=0,86, distance SL : R²=0,86 et distance IC : R²=0,90. Le temps total d’analyse par patient de la méthode automatique était inférieur à 1 seconde, ce qui représente une accélération énorme par rapport au processus manuel (25minutes).

L’efficacité et la précision de la méthode proposée permettent d’avancer avec confiance vers une mise en œuvre de cette technologie dans la pratique clinique. Nous proposons une éventuelle mise en œuvre de cette méthode dans la pratique clinique qui, à notre avis, facilitera la planification préoperative sûr et efficace des interventions de la valvule mitrale transcathétérale.