Актуальность. Учитывая рост интереса исследователей и клинических специалистов к алгоритмам обработки медицинских данных, существенно возросли перспективы прикладного применения подобных подходов – прежде всего использования глубоких нейронных сетей в задачах детекции патологических участков. Однако использование таких методик сопряжено с низким уровнем точности локализации, недостаточным для трансляции наработок в область ассистирующих систем для принятия врачебных решений.
Цель. Настоящее исследование направлено на оценку скорости и точности работы современной архитектуры сверточной нейронной сети RFCN ResNet-101 V2 для перспектив автоматизированной обработки клинических данных коронарографий.
Материалы и методы. Основой для обучения выбранной архитектуры нейросети стали клинические графические данные коронарографии 50 пациентов, у которых было выявлено наличие одноочаговых поражений (стенозов) более 75%. В исследовании оценены метрики классификационной и локализационной точности при определении положения одноочагового поражения коронарной артерии.
Результаты. Показано, что использованная архитектура нейронной сети способна осуществлять детекцию с точностью 94%, но в значительной мере не удовлетворяет требованиям производительности (скорости обработки).
Заключение. Полученные результаты определяют дальнейшее направление развития данного подхода – снижение времени анализа каждого кадра коронарографии за счет методов препроцессинга изображений.
Цель. Настоящее исследование направлено на оценку скорости и точности работы современной архитектуры сверточной нейронной сети RFCN ResNet-101 V2 для перспектив автоматизированной обработки клинических данных коронарографий.
Материалы и методы. Основой для обучения выбранной архитектуры нейросети стали клинические графические данные коронарографии 50 пациентов, у которых было выявлено наличие одноочаговых поражений (стенозов) более 75%. В исследовании оценены метрики классификационной и локализационной точности при определении положения одноочагового поражения коронарной артерии.
Результаты. Показано, что использованная архитектура нейронной сети способна осуществлять детекцию с точностью 94%, но в значительной мере не удовлетворяет требованиям производительности (скорости обработки).
Заключение. Полученные результаты определяют дальнейшее направление развития данного подхода – снижение времени анализа каждого кадра коронарографии за счет методов препроцессинга изображений.
Литература
1. Сердечно-Сосудистая Хирургия — 2018. Болезни и врожденные аномалии системы кровообращения / Под ред. Бокерия Л.А., Милиевской Е.Б., Кудзоевой З.Ф., Прянишникова В.В., Скопина А.И., Юрлова И.А. — М.: ФГБУ «НМИЦССХ им. А.Н. Бакулева» МЗ РФ, 2019.
2. Khan MA, Hashim MJ, Mustafa H, et al. Global Epidemiology of Ischemic Heart Disease: Results from the Global Burden of Disease Study. Cureus. 2020; 12(7): e9349. doi:10.7759/cureus.9349.
3. Gu D, Qu J, Zhang H, et al. Revascularization for Coronary Artery Disease: Principle and Challenges. 2020: 75-100. doi:10.1007/978-981-15-2517-9_3.
4. Тарасов Р.С., Ганюков В.И. Прогностическая роль исходной и резидуальной выраженности коронарного атеросклероза у пациентов с инфарктом миокарда после первичного чрескожного коронарного вмешательства // Комплексные проблемы сердечно-сосудистых заболеваний. — 2016. — Т5. — №4. — С.6-14. doi: 10.17802/2306-1278-2016-4-6-14.
5. Sutton RT, Pincock D, Baumgart DC, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digit Med. 2020; 3(1): 17. doi:10.1038/s41746-020-0221-y.
6. Shahzad R, Kirişli H, Metz C, et al. Automatic segmentation, detection and quantification of coronary artery stenoses on CTA. Int J Cardiovasc Imaging. 2013; 29(8): 1847-1859. doi:10.1007/s10554-013-0271-1.
7. Wang C, Moreno R, Smedby Ö. Vessel Segmentation Using Implicit Model-Guided Level Sets. In: MICCAI 2012.
8. Broersen A, Kitslaar PH, Frenay M, et al. FrenchCoast: Fast, Robust Extraction for the Nice CHallenge on COronary Artery Segmentation of the Tree. 2012.
9. Wu W, Zhang J, Xie H, et al. Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint. Comput Biol Med. 2020; 118: 103657. doi:10.1016/j.compbiomed.2020.103657.
10. Леонова В.О., Кочергина А.М., Барбараш О.Л. Клинический портрет пациента перед плановым чрескожным коронарным вмешательством в условиях реальной практики // Кардиология. — 2020. — Т.60. — №4. — С.31-35. doi: 10.18087/cardio.2020.4.n937.
11. Лобановa М.Г., Шоломов Д.Л. Об ускорении архитектуры сверточной нейронной сети на базе RESNET в задаче распознавания объектов дорожной сцены // Информационные технологии и вычислительные системы. — 2019. — №3. — С.57-65. doi:10.14357/20718632190305.
12. Rice L, Wong E, Kolter JZ. Overfitting in adversarially robust deep learning [Internet]. 2020 [cited 2022 June 27] Available at: https://arxiv.org/abs/2002.11569.
13. Zaidi SSA, Ansari M.S, Aslam A, Kanwal N, Asghar M, Lee B. A Survey of Modern Deep Learning based Object Detection Models. [Internet]. 2021 [cited 2022 June 27] Available at: https://arxiv.org/abs/2104.11892.
14. Brnabic A, Hess LM. Systematic literature review of machine learning methods used in the analysis of real-world data for patient-provider decision making. BMC Med Inform Decis Mak. 2021; 21(1): 54. doi:10.1186/s12911-021-01403-2.
15. Jankovic I, Chen JH. Clinical Decision Support and Implications for the Clinician Burnout Crisis. Yearb Med Inform. 2020; 29(1): 145-154. doi:10.1055/s-0040-1701986.
16. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation [Internet]. 2015 [cited 2022 Apr 29] Available at: https://arxiv.org/abs/1505.04597.
2. Khan MA, Hashim MJ, Mustafa H, et al. Global Epidemiology of Ischemic Heart Disease: Results from the Global Burden of Disease Study. Cureus. 2020; 12(7): e9349. doi:10.7759/cureus.9349.
3. Gu D, Qu J, Zhang H, et al. Revascularization for Coronary Artery Disease: Principle and Challenges. 2020: 75-100. doi:10.1007/978-981-15-2517-9_3.
4. Тарасов Р.С., Ганюков В.И. Прогностическая роль исходной и резидуальной выраженности коронарного атеросклероза у пациентов с инфарктом миокарда после первичного чрескожного коронарного вмешательства // Комплексные проблемы сердечно-сосудистых заболеваний. — 2016. — Т5. — №4. — С.6-14. doi: 10.17802/2306-1278-2016-4-6-14.
5. Sutton RT, Pincock D, Baumgart DC, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digit Med. 2020; 3(1): 17. doi:10.1038/s41746-020-0221-y.
6. Shahzad R, Kirişli H, Metz C, et al. Automatic segmentation, detection and quantification of coronary artery stenoses on CTA. Int J Cardiovasc Imaging. 2013; 29(8): 1847-1859. doi:10.1007/s10554-013-0271-1.
7. Wang C, Moreno R, Smedby Ö. Vessel Segmentation Using Implicit Model-Guided Level Sets. In: MICCAI 2012.
8. Broersen A, Kitslaar PH, Frenay M, et al. FrenchCoast: Fast, Robust Extraction for the Nice CHallenge on COronary Artery Segmentation of the Tree. 2012.
9. Wu W, Zhang J, Xie H, et al. Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint. Comput Biol Med. 2020; 118: 103657. doi:10.1016/j.compbiomed.2020.103657.
10. Леонова В.О., Кочергина А.М., Барбараш О.Л. Клинический портрет пациента перед плановым чрескожным коронарным вмешательством в условиях реальной практики // Кардиология. — 2020. — Т.60. — №4. — С.31-35. doi: 10.18087/cardio.2020.4.n937.
11. Лобановa М.Г., Шоломов Д.Л. Об ускорении архитектуры сверточной нейронной сети на базе RESNET в задаче распознавания объектов дорожной сцены // Информационные технологии и вычислительные системы. — 2019. — №3. — С.57-65. doi:10.14357/20718632190305.
12. Rice L, Wong E, Kolter JZ. Overfitting in adversarially robust deep learning [Internet]. 2020 [cited 2022 June 27] Available at: https://arxiv.org/abs/2002.11569.
13. Zaidi SSA, Ansari M.S, Aslam A, Kanwal N, Asghar M, Lee B. A Survey of Modern Deep Learning based Object Detection Models. [Internet]. 2021 [cited 2022 June 27] Available at: https://arxiv.org/abs/2104.11892.
14. Brnabic A, Hess LM. Systematic literature review of machine learning methods used in the analysis of real-world data for patient-provider decision making. BMC Med Inform Decis Mak. 2021; 21(1): 54. doi:10.1186/s12911-021-01403-2.
15. Jankovic I, Chen JH. Clinical Decision Support and Implications for the Clinician Burnout Crisis. Yearb Med Inform. 2020; 29(1): 145-154. doi:10.1055/s-0040-1701986.
16. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation [Internet]. 2015 [cited 2022 Apr 29] Available at: https://arxiv.org/abs/1505.04597.
Для цитирования
Клышников К.Ю., Овчаренко Е.А., Данилов В. В., Онищенко П.С., Резвова М. А., Глушкова Т.В., Костюнин А.Е., Барбараш Л. С. Машинное обучение в задаче детекции стенозов сосудов коронарного бассейна. Врач и информационные технологии. 2022; 2: 52-61. doi: 10.25881/18110193_2022_2_52.
Документы
Ключевые слова