Ideazione e sviluppo di nuovi strumenti a supporto dell’ablazione della tachicardia ventricolare mediante adroterapia

Ventricular tachycardia (VT) is a life-threatening arrhythmia and represents one of the leading causes of sudden cardiac death in patients with structural heart disease. Radiofrequency catheter ablation is currently the gold-standard non-pharmacological treatment for VT; still, there are cases in which it fails to silence the myocardial regions sustaining the arrhythmia completely. This can lead to incomplete lesion formation, resulting in an increased risk of recurrence. At the same time, non-invasive therapeutic approaches, such as stereotactic radiotherapy and hadron therapy, are emerging as potential alternatives for these patients. These treatments, adapted directly from oncology, rely heavily on medical imaging and, in particular, on the integration of anatomical and electrophysiological information. Within this scenario, this thesis aimed to develop novel bioengineering tools focused on multimodal data integration and advanced characterization of intracardiac electrograms (EGMs) to optimize non-invasive VT ablation strategies. Deep learning methods were developed for the automated preprocessing of cardiac computed tomography (CT) images, including left ventricular segmentation and anatomical landmark detection, to enable operator-independent registration of CT volumes with electroanatomical mapping (EAM) data to support the planning of the hadron ablation, which is usually performed on the target volumes selected on the CT, without the integrated support of the EAM. The proposed network achieved a good segmentation performance through a cross-validation approach, with an average Dice score of 0.87. Landmark detection was more challenging and exhibited increased variability based on the anatomical definition, with larger errors observed for landmarks that were positioned without a precise anatomical reference. Nevertheless, the predicted landmark coordinates were sufficiently accurate to be employed as starting points for subsequent image registration. Signal processing approaches were applied to improve the localization and interpretation of arrhythmogenic substrates during substrate VT mapping. Entropy-based metrics derived from information theory were investigated to quantitatively describe the fragmented and non-stationary nature of abnormal ventricular potentials (AVPs). Among the evaluated metrics, slope entropy emerged as the most discriminative, achieving the highest accuracy, sensitivity, and specificity. Importantly, its robustness to sampling frequency variations supports its potential applicability in clinical settings, where acquisition parameters may vary across systems and procedures. Finally, a novel algorithm based on the Hilbert–Huang transform was proposed for the automatic delineation of the near-field activity in AVPs. Following a parameter optimization via grid search, two parameter sets were derived for onset and end detection, yielding median absolute errors of 11 ms and 9 ms, respectively. The algorithm's output was consistent with the expert annotations, making automated delineations difficult to distinguish from the experts' reference one, provided in the dataset. Accurate identification of both the onset and end of pathological activity enables the definition of alternative formulations of local activation timing, which may capture different electrophysiological information than conventional latency metrics currently used in clinical practice. Overall, this thesis contributes to the development of automated tools for VT substrate characterization, with the ultimate goal of improving procedural planning and supporting both invasive and non-invasive ablation strategies.

La tachicardia ventricolare (VT) è un'aritmia potenzialmente letale e rappresenta una delle principali cause di morte improvvisa nei pazienti affetti da cardiopatia strutturale. L'ablazione transcatetere a radiofrequenza è il gold standard del trattamento non farmacologico; tuttavia, esistono casi in cui non permette di silenziare completamente le regioni del miocardio che sostengono l'aritmia. Ciò può portare alla formazione di lesioni incomplete, con conseguente aumento del rischio di recidiva. Approcci terapeutici non invasivi, come la radioterapia stereotassica e la terapia adronica, stanno emergendo come potenziali alternative. Questi trattamenti, adattati direttamente dall'oncologia, si basano in larga misura sull'imaging e sull'integrazione di informazioni anatomiche ed elettrofisiologiche. In questo scenario, questa tesi aveva come obiettivo lo sviluppo di nuovi strumenti di bioingegneria focalizzati sull'integrazione di dati multimodali e sulla caratterizzazione avanzata degli elettrogrammi (EGM) intracardiaci per ottimizzare le strategie di ablazione di VT non invasive. Sono stati sviluppati metodi di deep learning per il preprocessing automatico delle immagini di tomografia computerizzata (CT) cardiaca, tra cui la segmentazione del ventricolo sinistro e il rilevamento di punti di riferimento anatomici, per consentire la registrazione, indipendente dall’operatore, dei volumi CT con mappe elettroanatomiche (EAM) a supporto della pianificazione dell'ablazione con adroni, solitamente eseguita sui volumi target selezionati sulla CT, senza il supporto integrato dell'EAM. La rete proposta, per la quale è stato adottato un approccio di cross-validazione, ha ottenuto buone performance per la segmentazione (Dice medio 0.87). Il rilevamento dei landmark è stato più complesso e ha evidenziato una maggiore variabilità in base alla definizione anatomica, con errori maggiori per i landmark posizionati senza un riferimento anatomico preciso. Ad ogni modo, le coordinate predette erano sufficientemente accurate da poter essere utilizzate come punti di partenza per la successiva registrazione delle immagini. Successivamente sono state applicate tecniche di elaborazione del segnale per migliorare la localizzazione e l'interpretazione dei substrati aritmogeni durante la mappatura del substrato in VT. Sono state studiate metriche basate sull'entropia derivate dalla teoria dell'informazione per descrivere quantitativamente la natura frammentata e non stazionaria dei potenziali ventricolari anomali (AVP). Tra le metriche valutate, slope entropy è emersa come la più discriminante, ottenendo la massima accuratezza, sensibilità, e specificità. Inoltre, la sua robustezza alle diverse frequenze di campionamento supporta la sua potenziale applicazione in contesti clinici, dove i parametri di acquisizione possono variare a seconda dei sistemi utilizzati. Infine, è stato proposto un nuovo algoritmo basato sulla trasformata di Hilbert–Huang per la delineazione automatica dell’attività near-field negli AVP. Dopo aver ottimizzato i parametri tramite grid search, sono stati derivati due set di parametri per l’annotazione dell'inizio e della fine, ottenendo errori assoluti mediani di 11 ms e 9 ms. L'output dell'algoritmo era coerente con le annotazioni degli esperti, rendendo difficile distinguere le delineazioni automatiche da quelle degli esperti, fornite nel dataset. L'identificazione di inizio e fine della componente patologica consente di creare nuove definizioni dei tempi di attivazione locale, in grado di fornire informazioni elettrofisiologiche diverse rispetto alle metriche di latenza convenzionali attualmente utilizzate in clinica. Nel complesso, questa tesi contribuisce allo sviluppo di strumenti automatizzati per la caratterizzazione del substrato della VT, con l'obiettivo finale di migliorare la pianificazione della procedura e supportare strategie di ablazione sia invasive che non invasive.