Radiofrequency Ablation Planning for Cardiac Arrhythmia Treatment using Biophysical Modeling

210 Pages·2015·12.45 MB·English

UNIVERSITÉ NICE SOPHIA ANTIPOLIS
ÉCOLE DOCTORALE STIC
SCIENCES ET TECHNOLOGIES DE L’INFORMATION
ET DE LA COMMUNICATION
T H È S E D O C T O R A L E
pour obtenir le titre de
Docteur en Sciences
de l’Université Nice Sophia Antipolis
Discipline : Automatique, Traitement du Signal et
des Images
Soutenue par
Rocío Cabrera Lozoya
Planification de l’ablation par radiofréquence des
arythmies cardiaques en combinant modélisation et
apprentissage automatique
Superviseur de thèse: Nicholas Ayache
Co-superviseur: Maxime Sermesant
preparé à l’INRIA Sophia Antipolis, Équipe Asclepios
soutenue le 10 septembre 2015
Jury :
Président : Pierre Jaïs - Hôpital Haut-Lévêque
et Université de Bordeaux
Rapporteurs : Oscar Cámara Rey - PhySense, Universitat Pompeu Fabra
Yves Coudière - Inria (Équipe Carmen)
Examinateur : Jatin Relan - St. Jude Medical, Inc.
Superviseur : Nicholas Ayache - Inria (Équipe Asclepios)
Co-superviseur : Maxime Sermesant - Inria (Équipe Asclepios)

UNIVERSITY OF NICE - SOPHIA ANTIPOLIS
DOCTORAL SCHOOL STIC
SCIENCES ET TECHNOLOGIES DE L’INFORMATION
ET DE LA COMMUNICATION
P H D T H E S I S
to obtain the title of
PhD of Science
of the University of Nice - Sophia Antipolis
Specialty : Automation, Signal and Image
Processing
Defended by
Rocío Cabrera Lozoya
Radiofrequency Ablation Planning for Cardiac
Arrhythmia Treatment using Biophysical Modeling and
Machine Learning Approaches
Thesis Advisor: Nicholas Ayache
Thesis Co-Advisor: Maxime Sermesant
prepared at INRIA Sophia Antipolis, Asclepios Team
defended on September 10th, 2015
Jury :
President : Pierre Jaïs - Haut-Lévêque Hospital
and University of Bordeaux
Reviewers : Oscar Cámara Rey - PhySense, Universitat Pompeu Fabra
Yves Coudière - Inria (Carmen Research Team)
Examinator : Jatin Relan - St. Jude Medical, Inc.
Advisor : Nicholas Ayache - Inria (Asclepios Research Team)
Co-Advisor : Maxime Sermesant - Inria (Asclepios Research Team)

Radiofrequency Ablation Planning for Cardiac Arrhythmia
Treatment using Modeling and Machine Learning Approaches
Abstract:
Cardiacarrhythmiasareheartrhythmdisruptionswhichcanleadtosuddencar-
diac death. They require a deeper understanding for appropriate treatment plan-
ning.
In this thesis, we integrate personalized structural and functional data into a
3D tetrahedral mesh of the biventricular myocardium. Next, the Mitchell-Schaeffer
(MS) simplified biophysical model is used to study the spatial heterogeneity of elec-
trophysiological (EP) tissue properties and their role in arrhythmogenesis.
Radiofrequency ablation (RFA) with the elimination of local abnormal ventric-
ular activities (LAVA) has recently arisen as a potentially curative treatment for
ventricular tachycardia but the EP studies required to locate LAVA are lengthy and
invasive.
LAVA are commonly found within the heterogeneous scar, which can be imaged
non-invasively with 3D delayed enhanced magnetic resonance imaging (DE-MRI).
Weevaluatetheuseofadvancedimagefeaturesinarandomforestmachinelearning
framework to identify areas of LAVA-inducing tissue. Furthermore, we detail the
dataset’s inherent error sources and their formal integration in the training process.
Finally, we construct MRI-based structural patient-specific heart models
and couple them with the MS model. We model a recording catheter using a
dipole approach and generate distinct normal and LAVA-like electrograms at
locations where they have been found in clinics. This enriches our predictions
of the locations of LAVA-inducing tissue obtained through image-based learning.
Confidence maps can be generated and analyzed prior to RFA to guide the in-
tervention. Thesecontributionshaveledtopromisingresultsandproofsofconcepts.
Keywords: Cardiac electrophysiology modeling, intracardiac electrogram
modeling, machine learning, radiofrequency ablation planning, electroanatomical
mapping, local abnormal ventricular activities (LAVA)

Planification de l’ablation radiofréquence des arythmies cardiaques
en combinant modélisation et apprentissage automatique
Résumé:
Lesarythmiessontdesperturbationsdurythmecardiaquequipeuvententrainer
la mort subite et requièrent une meilleure compréhension pour planifier leur traite-
ment.
Dans cette thèse, nous intégrons des données structurelles et fonctionnelles à
un maillage 3D tétraédrique biventriculaire. Le modèle biophysique simplifié de
Mitchell-Schaeffer (MS) est utilisé pour étudier l’hétérogénéité des propriétés élec-
trophysiologiques (EP) du tissu et leur rôle sur l’arythmogénèse.
L’ablation par radiofréquence (ARF) en éliminant les activités ventriculaires
anormales locales (LAVA) est un traitement potentiellement curatif pour la tachy-
cardieventriculaire,maislesétudesEPrequisespourlocaliserlesLAVAsontlongues
et invasives.
Les LAVA se trouvent autour de cicatrices hétérogènes qui peuvent être imagées
de façon non-invasive par IRM à rehaussement tardif. Nous utilisons des carac-
téristiques d’image dans un contexte d’apprentissage automatique avec des forêts
aléatoires pour identifier des aires de tissu qui induisent des LAVA. Nous détaillons
les sources d’erreur inhérentes aux données et leur intégration dans le processus
d’apprentissage.
Finalement, nous couplons le modèle MS avec des géométries du cœur spéci-
fiques aux patients et nous modélisons le cathéter avec une approche par un dipôle
pour générer des électrogrammes normaux et des LAVA aux endroits où ils ont été
localisés en clinique. Cela améliore la prédiction de localisation du tissu induisant
des LAVA obtenue par apprentissage sur l’image. Des cartes de confiance sont
générées et peuvent êtres utilisées avant une ARF pour guider l’intervention. Les
contributions de cette thèse ont conduit à des résultats et des preuves de concepts
prometteurs.
Mots clés: modélisation de l’électrophysiologie cardiaque, modélisa-
tion d’électrogrammes intracardiaques, apprentissage automatique, planification
d’ablation par radiofréquence, activités ventriculaires anormales locales (LAVA)

To achieve great things, two things are needed:
a plan and not quite enough time.
LEONARD BERNSTEIN