Development and Evaluation of a nnU-Net-Based Convolutional Neural Network for Automated Segmentation of Cardiac Atria from Late Gadolinium-Enhanced MRI

Accurate segmentation of the cardiac atria from medical images is essential for the quantitative assessment of atrial anatomy and function. Whilst the left atrium (LA) has been the subject of extensive research, the right atrium (RA) has received comparatively little attention in the segmentation literature despite growing clinical evidence supporting its diagnostic and prognostic relevance, particularly in the context of atrial fibrillation and right-sided cardiac pathologies. To date, no dedicated method has been proposed for simultaneous, high-resolution delineation of both atrial cavities from three-dimensional late gadolinium-enhanced magnetic resonance imaging (3D LGE-MRI). This thesis addresses this gap by developing and evaluating a fully automated deep learning pipeline for bi-class segmentation of the LA and RA from 3D LGE-MRI. A combined bi-atrial dataset of 78 high-resolution volumes was assembled by pairing the LA annotations from the 2018 LA Segmentation Challenge with the RA labels provided by the recently released RAS Dataset, and expanded with additional volumes whose RA masks were manually corrected to ensure annotation consistency. The nnU-Net self-configuring framework was employed to train and compare two network configurations, a 3D full-resolution U-Net and a 3D cascade U-Net, both evaluated through five-fold cross-validation on a 63-case training set. The automatic ensembling and postprocessing mechanisms provided by nnU-Net were exploited to determine the optimal inference strategy, and all models were evaluated on a held-out test set of 15 cases. The postprocessed ensemble was identified as the best-performing configuration, achieving mean test set Dice scores of 0.917 for the LA and 0.912 for the RA, with all per-case Dice scores exceeding 0.86 for both structures. These results are competitive with dedicated, architecturally specialised LA segmentation methods reported in the literature, despite the use of a general-purpose framework and the simultaneous segmentation of two structures rather than one. For the RA, the results represent one of the first reported evaluations from 3D isotropic LGE-MRI using a fully automated pipeline. The proposed method generates predictions in under two minutes per volume, comparing favourably with the several hours required for manual segmentation and supporting its potential adoption in settings where rapid, reproducible bi-atrial anatomy extraction is required.

Un’accurata segmentazione degli atri cardiaci da immagini mediche è essenziale per la valutazione quantitativa dell'anatomia e della funzionalità atriale. Sebbene l'atrio sinistro sia stato oggetto di un'ampia attività di ricerca, l'atrio destro ha ricevuto un'attenzione considerevolmente più limitata nella letteratura sulla segmentazione, nonostante le crescenti evidenze cliniche a supporto della sua rilevanza diagnostica e prognostica, in particolare nel contesto della fibrillazione atriale e delle patologie che interessano le sezioni destre del cuore. Ad oggi, nessun metodo dedicato è stato proposto per la delineazione simultanea e ad alta risoluzione di entrambe le cavità atriali da risonanza magnetica tridimensionale con enhancement tardivo del gadolinio (3D LGE-MRI). La presente tesi si propone di colmare tale lacuna sviluppando e valutando una pipeline di deep learning completamente automatizzata per la segmentazione bi-classe dell’atrio sinistro e dell’atrio destro da 3D LGE-MRI. Un dataset bi-atriale combinato di 78 volumi ad alta risoluzione è stato costruito associando le maschere di segmentazione di riferimento dell’atrio sinistro provenienti dalla 2018 LA Segmentation Challenge alle maschere di riferimento dell’atrio destro fornite dal RAS Dataset, recentemente pubblicato, ed ampliato con ulteriori volumi le cui maschere dell’atrio destro sono state corrette manualmente al fine di garantire la coerenza delle annotazioni. Il framework auto-configurante nnU-Net è stato impiegato per addestrare e confrontare due configurazioni di rete, una 3D full-resolution U-Net e una 3D cascade U-Net, entrambe valutate mediante cross-validazione a cinque fold su un training set di 63 casi. I meccanismi automatici di ensembling e post-processing forniti da nnU-Net sono stati sfruttati per determinare la strategia di inferenza ottimale, e tutti i modelli sono stati valutati su un test set di 15 casi riservato esclusivamente alla valutazione finale. L'ensemble con post-processing è stato identificato come la configurazione più performante, ottenendo valori medi di Dice sul test set pari a 0.917 per l’atrio sinistro e 0.912 per l’atrio destro, con tutti i valori di Dice per singolo caso superiori a 0.86 per entrambe le strutture. Tali risultati sono competitivi con metodi di segmentazione dell’atrio sinistro dedicati e architetturalmente specializzati riportati in letteratura, nonostante l'impiego di un framework general-purpose e la segmentazione simultanea di due strutture anziché una. Per l’atrio destro, i risultati rappresentano una delle prime valutazioni riportate di segmentazione da 3D LGE- MRI isotropica mediante una pipeline completamente automatizzata. Il metodo proposto genera predizioni in meno di due minuti per volume, un tempo che si confronta favorevolmente con le diverse ore richieste dalla segmentazione manuale, supportando la sua potenziale adozione in contesti in cui è richiesta un'estrazione rapida e riproducibile dell'anatomia bi-atriale.