S'abonner

Assessment of ventricular tachyarrhythmia in patients with hypertrophic cardiomyopathy with machine learning-based texture analysis of late gadolinium enhancement cardiac MRI - 27/02/20

Doi : 10.1016/j.diii.2019.10.005 
D. Alis a, , A. Guler b, M. Yergin c, O. Asmakutlu a
a Istanbul Mehmet Akif Ersoy Thoracic and Cardiovascular Surgery Training and Research Hospital, Department of Radiology, Halkali/Istanbul, Turkey 
b Istanbul Mehmet Akif Ersoy Thoracic and Cardiovascular Surgery Training and Research Hospital, Department of Cardiology, Halkali/Istanbul, Turkey 
c Bahcesehir University, Department of Software Engineering and applied sciences, Istanbul, Turkey 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Summary

Objective

To assess the diagnostic value of machine learning-based texture feature analysis of late gadolinium enhancement images on cardiac magnetic resonance imaging (MRI) for assessing the presence of ventricular tachyarrhythmia (VT) in patients with hypertrophic cardiomyopathy.

Materials and methods

This retrospective study included 64 patients with hypertrophic cardiomyopathy who underwent cardiac MRI and 24-hour Holter monitoring within 1 year before cardiac MRI. There were 42 men and 22 women with a mean age of 48.13±13.06 (SD) years (range: 20–70 years). Quantitative textural features were extracted via manually placed regions of interest in areas with high and intermediate signal intensity on late gadolinium-chelate enhanced images. Feature selection and dimension reduction were performed. The diagnostic performances of machine learning classifiers including support vector machines, Naive Bayes, k-nearest-neighbors, and random forest for predicting the presence of VT were assessed using the results of 24-hour Holter monitoring as the reference test. All machine learning models were assessed with and without the application of the synthetic minority over-sampling technique (SMOTE).

Results

Of the 64 patients with hypertrophic cardiomyopathy, 21/64 (32.8%) had VT. Of eight machine learning models investigated, k-nearest-neighbors with SMOTE exhibited the best diagnostic accuracy for the presence or absence of VT. k-nearest-neighbors with SMOTE correctly identified 40/42 (95.2%) VT-positive patients and 40/43 (93.0%) VT-negative patients, yielding 95.2% sensitivity (95% CI: 82.5%–99.1%), 93.0% specificity (95% CI: 79.8%–98.1%) and 94.1% accuracy (95% CI: 88.8%–98%).

Conclusion

Machine learning-based texture analysis of late gadolinium-chelate enhancement-positive areas is a promising tool for the classification of hypertrophic cardiomyopathy patients with and without VT.

Le texte complet de cet article est disponible en PDF.

Keywords : Artificial intelligence, Cardiomyopathy, Hypertrophic, Machine learning, Tachycardia, Ventricular, Texture analysis


Plan


© 2019  Société française de radiologie. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 101 - N° 3

P. 137-146 - mars 2020 Retour au numéro
Article précédent Article précédent
  • Embolization using hydrogel-coated coils for pulmonary arteriovenous malformations
  • T. Iguchi, T. Hiraki, Y. Matsui, H. Fujiwara, J. Sakurai, K. Baba, S. Toyooka, H. Gobara, S. Kanazawa
| Article suivant Article suivant
  • Differentiation between benign and malignant ovarian masses using multiparametric MRI
  • S. Türko?lu, M. Kayan

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.