Нейросетевое моделирование и автоматическая сегментация корня аорты на снимках ангиографии
Описан подход к решению задачи сегментации объектов исследования на снимках ангиографии при проведении процедуры транскатетерной имплантации аортального клапана (TAVI). В связи со сложностью анализа большого объема данных для кардиохирургов в статье особое внимание уделено автоматическому анализу медицинских данных, обучению и сравнению современных архитектур нейронных сетей. Подробно рассмотрены и протестированы для прогнозирования масок корня аорты 50 нейронных сетей (энкодеры U-net, U-net++, Linknet, FPN, DeepLabV3+ и декодеры Efficientnet-b0, Efficientnet-b1, Resnext50, Resnet34, Regnetx32). На этапах обучения и тестирования каскад моделей FPN + Efficientnet-b0 позволил получить наилучшую точность прогнозирования по метрикам IOU 0,771, Dice 0,870. Проведенное исследование показывает, что предложенный подход на основе нейросетевых каскадов, позволяющих идти не в сторону детектирования ключевых точек, а в направлении создания сегментационных масок, позволяет прогнозировать в реальном времени расположение аортального клапана и системы доставки, тем самым способствуя правильному позиционированию клапана во время TAVI. Вклад авторов: все авторы сделали эквивалентный вклад в подготовку публикации. Авторы заявляют об отсутствии конфликта интересов.
Ключевые слова
сегментация,
транскатетерная замена аортального клапана,
глубокое обучение - CNN,
анализ медицинских изображений,
аортографияАвторы
| Гергет Ольга Михайловна | Институт проблем управления им. В.А. Трапезникова Российской академии наук | доктор технических наук, ведущий научный сотрудник | olgagerget@mail.ru |
| Лаптев Никита Витальевич | Сибирский государственный медицинский университет | научный сотрудник отдела медицинских данных и биоинформатики | laptev.nv@ssmu.ru |
| Чернявский Михаил Александрович | Национальный медицинский исследовательский центр им. В.А. Алмазова Минздрава России | доктор медицинских наук, доцент кафедры факультетской хирургии с клиникой, заведующий НИО сосудистой и интервенционной хирургии | machern @mail.ru |
Всего: 3
Ссылки
Ramesh K.K.D., Kiran Kumar G., Swapna K., Datta D., Suman Rajest S. A review of medical image segmentation algorithms // EAI Endorsed Transactions on Pervasive Health and Technology. 2021. V. 7 (27). Art. e6.
Li Y., Wu Y., He J., Jiang W., Wang J., Peng Y., Chen M. Automatic coronary artery segmentation and diagnosis of stenosis by deep learning based on computed tomographic coronary angiography // European Radiology. 2022. V. 32 (9). P. 6037-6045.
Popov M., Amanturdieva A., Zhaksylyk N., Alkanov A., Saniyazbekov A., Aimyshev T. et al. Dataset for Automatic Regionbased Coronary Artery Disease Diagnostics Using X-Ray Angiography Images // Scientific Data. 2024. V. 11 (1). Art. 20.
Zhu X., Cheng Z., Wang S., Chen X., Lu G. Coronary angiography image segmentation based on PSPNet // Computer Methods and Programs in Biomedicine. 2021. V. 200. Art. 105897.
Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015). 5-9 October, Munich, Germany. 2015. P. 234-241.
Zhou Z., Rahman Siddiquee M.M., Tajbakhsh N., Liang J. Unet++: A nested u-net architecture for medical image segmentation // Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support: 4th International Workshop (DLMIA 2018). 20 September, Granada, Spain. 2018. P. 3-11.
Chaurasia A., Culurciello E. Linknet: Exploiting encoder representations for efficient semantic segmentation // 2017 IEEE Visual Communications and Image Processing (VCIP). 2017. P. 1-4.
Martinsson J., Mogren O. Semantic segmentation of fashion images using feature pyramid networks // Proc. 2019 International Conference on Computer Vision Workshop (ICCVW 2019). 2019.
Baheti B., Innani S., Gajre S., Talbar S. Semantic scene segmentation in unstructured environment with modified DeepLabV3+ // Pattern Recognition Letters. 2029. V. 138. P. 223-229.
Abdelgawad A., Hussein M.A., Naeem H., Abuellata R., Alghamdy S. A comparative study of TAVR versus SAVR in moderate and high-risk surgical patients: Hospital outcome and midterm results // Heart Surgery Forum. 2019. V. 22 (5). P. E331-E339.
The repository of the Research Laboratory for Processing and Analysis of Big Data (Tomsk Polytechnic University). URL: https://www.dropbox.com/sh/80wpfkdabhuo0l9/AADuysNg3sO00_vjhW8MgZ6Ba?dl=0 (accessed: 10.05.2024).
Pisano E.D., Zong S., Hemminger B.M., DeLuca M., Johnston R.E., Muller K. et al. Contrast limited adaptive histogram equalization image processing to improve the detection of simulated spiculations in dense mammograms // Journal of Digital Imaging. 1998. V. 11. P. 193-200.
RMSprop // Keras. URL: https://keras.io/api/optimizers/rmsprop/(accessed: 10.05.2024).
Вы можете добавить статью