8 (495) 987 43 74 доб. 3304 Прием заявок на рассмотрение статей E-mail: evlasova@synergy.ru

Мы в соцсетях -              
Рус   |   Eng

Авторы

Овчаренко Е. А.

Ученая степень
канд. техн. наук, заведующий лабораторией новых биоматериалов, Федеральное государственное бюджетное научное учреждение «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний»
E-mail
ovchea@kemcardio.ru
Местоположение
Кемерово, Россия
Статьи автора

Машинное обучение в задаче детекции элементов корня аорты

Существенный рост количества транскатетерных протезирований клапана аорты ведет к развитию вспомогательных систем, решающих задачу интра- или дооперационного ассистирования. Основой подобных систем становится концепция компьютеризированного автоматического анатомического распознавания основных ориентиров, ключевых для процедуры. В случае транскатетерного протезирования – элементов корня аорты и доставочной системы. Настоящая работа посвящена демонстрации потенциала применения методов машинного обучения – современной архитектуры сверточной нейронной сети ResNet V2 для задачи интраоперационного отслеживания реал-тайм основных анатомических ориентиров во время транскатетерного протезирования клапана аорты. Основой для обучения выбранной архитектуры нейросети стали клинические графические данные пяти пациентов, которым осуществляли транскатетерное протезирование клапана аорты коммерческими системами CoreValve (Medtronic Inc., США). Полученные в ходе такого вмешательства интраоперационные аортографии с визуализацией основных анатомических ориентиров: элементов фиброзного кольца клапана аорты, синотубулярного сочленения и элементов доставочной системы, стали входными данными для работы выбранной нейросети. Общее количество изображений составило 2000 шт., которые были случайным образом распределены на две подвыборки: 1400 изображений для обучения, 600 – для валидации. Показано, что использованная архитектура нейронной сети способна осуществлять детекцию с точность 85–96% по метрикам классификационной и локализационной компонент, однако в значительной мере не удовлетворяет требованиям производительности (скорости обработки): время анализа одного кадра аортографии составило 0,097 сек. Полученные результаты определяют дальнейшее направление развития автоматического анатомического распознавания основных ориентиров при транскатетерном протезировании клапана аорты с позиции создания ассистирующей системы – снижение времени анализа каждого кадра за счет описанных в литературе методов оптимизации. Тем не менее предложенный вариант является перспективной высокоточной основой для прикладной реализации подобного программного обеспечения. Читать дальше...

Нейросетевой анализ стенозов коронарных артерий: оценка точности и скорости перспективных архитектур

Существенный интерес в области применения машинного обучения для анализа медицинских изображений стимулирует поиск перспективных алгоритмов для решения рутинных диагностических задач в кардиологии. Применительно к сердечно- сосудистым патологиям такой процедурой является коронарная ангиография, оценивающая состояние сосудистого русла и наличие участков стенозирования. В настоящей работе продемонстрирован пример применения современных моделей нейросетей SSD MobileNet V2, SSD ResNet-50, Faster-RCNN Inception ResNet V2 в задаче локализации однососудистого поражения коронарной артерии на наборе клинических данных (3200 изображений). Показано, что наиболее точной по выбранной метрике mAP[0,5:0,95] явилась модель Faster-RCNN Inception ResNet V2, достигшая показателя 0,9434 и 0,95 для валидационной и тестовой выборок соответственно. Однако скорость обработки данных составила 0,363 секунды на один кадр, что эквивалентно 2,8 кадров/сек, т. е. значительно ниже частоты записи коронарографии (15 кадров/сек). Нейросети с более «простой» архитектурой продемонстрировали неудовлетворительное качество локализации стенозов, выраженное в низкой характеристике mAP[0,5:0,95]. Результаты данного исследования демонстрируют ключевую проблему применения алгоритмов машинного обучения на графических данных – высокая точность, которая может быть приемлемая для медицинских диагностических процедур, «декомпенсируется» длительным анализом изображений, вследствие чего использование немодифицированных архитектур нейросетей не обеспечивает обработки данных в режиме реального времени. Читать дальше...