Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы)

Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы)

Автор: Ким Г.И., Блеканов И.С., Ежов Ф.В., Коваленко Л.А., Ларин Е.С., Разумилов Е.С., Пугин К.В., Дадашов М.С., Пягай В.А., Шматов Д.В.

Журнал: Сибирский журнал клинической и экспериментальной медицины @cardiotomsk

Рубрика: Обзоры и лекции

Статья в выпуске: 2 т.39, 2024 года.

Бесплатный доступ

Ведение пациентов с патологией аорты и аортального клапана является крайне актуальной темой. Основная проблема данной патологии - отсутствие явных симптомов до наступления жизнеугрожающего состояния, расслоения или разрыва аорты. Наиболее актуальной в этой ситуации становится ранняя своевременная диагностика, и ведущую роль в этом плане играют визуализирующие методы исследований. Однако основным лимитирующим фактором является скорость и качество оценки изображений. В связи с этим актуальной задачей представляется разработка ассистента врача на основе искусственного интеллекта (ИИ) для интеллектуального анализа изображений (Computer vision, CV). В данной статье сделан обзор современных нейросетевых методов эффективного анализа диагностических изображений (мультиспиральная компьютерная томография (МСКТ) и магнитно-резонансная томография (МРТ)), актуальных для исследования заболеваний сердечно-сосудистой системы в целом и аорты в частности. Одним из главных акцентов данного разбора является исследование применимости современных нейросетевых методов на основе архитектуры Transformer или механизма внимания, демонстрирующих высокие показатели точности в решении широкого спектра задач в других предметных областях и имеющих высокий потенциал применимости для качественного анализа диагностических изображений. Приведен обзор двух фундаментальных задач интеллектуального анализа изображений: классификации (архитектура ResNet, архитектора ViT, архитектора Swin Transformer) и семантической сегментации (2D подходы - U-Net, TransUNet, Swin-Unet, Segmenter и 3D подходы - 3D-Unet, Swin UNETR, VT-UNET). Описанные методы при должной точной настройке и правильном подходе к их обучению позволят эффективно автоматизировать процесс диагностики патологии аорты и аортального клапана. Для успешной реализации проектов в области разработки ИИ следует учитывать ряд ограничений: качественный набор данных, серверные графические станции с мощными видеокартами, наличие междисциплинарной экспертной группы, подготовленные сценарии для тестирования в условиях, приближенных к реальным.

Еще

Сердечно-сосудистая хирургия, диагностика патологии аорты, искусственный интеллект, глубокое обучение, нейронные сети, диагностические изображения, сегментация изображений, классификация изображений

Короткий адрес: https://sciup.org/149145655

IDR: 149145655   |   DOI: 10.29001/2073-8552-2024-39-2-36-45

Список литературы Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана (обзор литературы)

  • Yuan Z., Lu Y., Wei J., Wu J., Yang J., Cai Z. Abdominal aortic aneurysm: Roles of inflammatory cells. Front. Immunol. 2021;11:609161. https://doi.org/10.3389/fimmu.2020.609161.
  • Oladokun D., Patterson B.O., Sobocinski J. Karthikesalingam A., Loftus I., Thompson M.M. et al. Systematic review of the growth rates and influencing factors in thoracic aortic aneurysms. Eur. J. Vasc. Endovasc. Surg. 2016;51:674-81. https://doi.org/10.1016/j.ejvs.2016.01.017.
  • Benjamin E.J., Muntner P., Alonso A., Bittencourt M.S., Callaway C.W., Carson A.P. et al. Heart disease and stroke statistics - 2019 update: A report from the American Heart Association. Circulation. 2019;139(10):e56-e528. https://doi.org/10.1161/CIR.0000000000000659.
  • Gouveia E., Melo R., Mourão M., Caldeira D., Alves M., Lopes A. et al. A systematic review and meta-analysis of the incidence of acute aortic dissections in population-based studies. J. Vasc. Surg. 2022;75(2):709- 720. https://doi.org/10.1016/j.jvs.2021.08.080.
  • Goldstein S.A., Evangelista A., Abbara S., Arai A., Asch F.M., Badano L.P. et al. Multimodality imaging of diseases of the thoracic aorta in adults: From the American Society of Echocardiography and the European Association of Cardiovascular Imaging: Endorsed by the Society Of Ким Г.И., Блеканов И.С., Ежов Ф.В. и др. Методы искусственного интеллекта в сердечно-сосудистой хирургии и диагностика патологии аорты и аортального клапана Cardiovascular Computed Tomography and Society for Cardiovascular Magnetic Resonance. Journal of the American Society of Echocardiography. 2015;28(2):119-182. https://doi.org/10.1016/j.echo.2014.11.015.
  • Chaikof E.L., Dalman R.L., Eskandari M.K., Jackson B.M., Lee W.A., Mansour M.A. et al. The Society for Vascular Surgery practice guidelines on the care of patients with an abdominal aortic aneurysm. J. Vasc. Surg. 2018;67(1):2-77. https://doi.org/10.1016/j.jvs.2017.10.044.
  • Dassen W.R., Mulleneers R.G., Smeets J., den Dulk K., Cruz F., Brugada P. et al. Self-learning neural networks in electrocardiography. J. Electrocardiol. 1990;23:200-202. https://doi.org/10.1016/0022-0736(90)90102-8.
  • Dassen W.R., Mulleneers R.G., Den Dulk K., Smeets J.R., Cruz F., Penn O.C. et al. An artificial neural network to localize atrioventricular accessory pathways in patients suffering from the Wolff-Parkinson-White syndrome. Pacing Clin. Electrophysiol. 1990;13(12_Pt._2):1792-1796. https://doi.org/10.1111/j.1540-8159.1990.tb06892.x.
  • Binder T., Süssner M., Moertl D., Strohmer T., Baumgartner H., Maurer G. et al. Artificial neural networks and spatial temporal contour linking for automated endocardial contour detection on echocardiograms: A novel approach to determine left ventricular contractile function. Ultrasound Med. Biol. 1999;25:1069-1076. https://doi.org/10.1016/S0301-5629(99)00059-9.
  • Pellicano M., Lavi I., De Bruyne B., Vaknin-Assa H., Assali A., Valtzer O.et al. Validation study of image-based fractional flow reserve during coronary angiography. Circ. Cardiovasc. Interv. 2017;10(9):e005259. https://doi.org/10.1161/CIRCINTERVENTIONS.116.005259.
  • Chen H.Y., Lin C.S., Fang W.H., Lee C.C., Ho C.L., Wang C.H. et al. Artificial intelligence-enabled electrocardiogram predicted left ventricle diameter as an independent risk factor of long-term cardiovascular outcome in patients with normal ejection fraction. Front. Med. 2022;9:870523. https://doi.org/10.3389/fmed.2022.870523.
  • Long Q., Ye X., Zhao Q. Artificial intelligence and automation in valvular heart diseases. Card. J. 2020;27(4):404-420. https://doi.org/10.5603/CJ.a2020.0087.
  • Коваленко Л.А., Ларин Е.С., Блеканов И.С., Ким Г.И. Методы построения 3D модели аорты сердца и её сечения для автоматизации процесса КТ-диагностики. Процессы управления и устойчивость. Труды 54-й международной научной конференции аспирантов и студентов. 2023;10(1):298-303. http://hdl.handle.net/11701/41728 (15.04.2024).
  • Ежов Ф.В., Ларин Е.С., Блеканов И.С., Ким Г.И. Нейросетевые методы сегментации аорты сердца при автоматической диагностике снимков КТ. Процессы управления и устойчивость. Труды 54-й международной научной конференции аспирантов и студентов. 2023;10(1):263-267. http://hdl.handle.net/11701/41728 (15.04.2024).
  • Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi A. (eds.). Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. MICCAI 2015. Lecture notes in computer science, vol. 9351. Springer, Cham. https://doi.org/10.1007/978-3-319-24574-4_28.
  • Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., Unterthiner T. et al. An image is worth 16 × 16 words: Transformers for image recognition at scale. arXiv:2010.11929. https://doi.org/10.48550/arXiv.2010.11929.
  • Liu Z., Lin Y., Cao Y., Hu H., Wei Y., Zhang Z. et al. Swin transformer: Hierarchical vision transformer using shifted windows. Proceedings of the IEEE/CVF International Conference on Computer Vision, Montreal, 10- 17 October 2021, 10012-10022. https://doi.org/10.1109/ICCV48922.2021.00986.
  • Xie E., Wang W., Yu Z., Anandkumar A., Alvarez J.M., Luo P. Seg-Former: Simple and efficient design for semantic segmentation with transformers. Advances in Neural Information Processing Systems. 2021;34:12077-12090. https://doi.org/10.48550/arXiv.2105.15203.
  • Li J., Chen J., Tang Y., Wang C., Landman B.A., Zhou S.K. Transforming medical imaging with transformers? A comparative review of key properties, current progresses, and future perspectives. Medical image analysis. 2023;102762. https://doi.org/10.48550/arXiv.2206.01136.
  • Zerouaoui H., Idri A. Deep hybrid architectures for binary classification of medical breast cancer images. Biomedical Signal Processing and Control. 2022;71(part_B):103226. https://doi.org/10.1016/j.bspc.2021.103226.
  • Farooq A., Anwar S., Awais M., Rehman S. A deep CNN based multiclass classification of Alzheimer’s disease using MRI. 2017 Ieee International Conference on Imaging Systems and Techniques (Ist). 2017;1-6. https://doi.org/10.1109/IST.2017.8261460.
  • Guan Q., Huang Y. Multi-label chest X-ray image classification via category-wise residual attention learning. Pattern Recognition Letters. 2020;130:259-266. https://doi.org/10.1016/j.patrec.2018.10.027.
  • He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. arXiv: Computer Vision and Pattern Recognition (cs.CV). https://doi.org/10.48550/arXiv.1512.03385.
  • Bressem K.K., Adams L.C., Erxleben C., Hamm B., Niehues S.M., Vahldiek J.L. Comparing different deep learning architectures for classification of chest radiographs. Scientific Reports. 2020;10(1):13590. https://doi.org/10.1038/s41598-020-70479-z.
  • Yao W., Bai J., Liao W., Chen Y., Liu M., Xie Y. From CNN to Transformer: A review of medical image segmentation models. arXiv: Image and Video Processing (eess.IV); Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG). https://doi.org/10.48550/arXiv.2308.05305.
  • Azad R., Aghdam E.K., Rauland A. et al. Medical image segmentation review: The success of U-net. arXiv: Image and Video Processing (eess. IV). https://doi.org/10.48550/arXiv.2211.14830.
  • Bilic P., Christ P., Li H.B., Vorontsov E., Ben-Cohen A., Kaissis G. et al. The liver tumor segmentation benchmark (LiTS). Med. Image Anal. 2023;84:102680. https://doi.org/10.1016/j.media.2022.102680.
  • Chen J., Lu Y., Yu Q., Luo X., Adeli E., Wang Y. et al. TransUNet: Transformers make strong encoders for medical image segmentation. arXiv: Computer Vision and Pattern Recognition (cs.CV). https://doi.org/10.48550/arXiv.2102.04306.
  • Chang C., Lin T., Lin C., Cheng H. Application of TransUNet for segmenting lung mass from chest X-ray image. 2022 IEEE International Conference on Consumer Electronics - Taiwan. 2022;175-176. https://doi.org/10.1109/ ICCE-Taiwan55306.2022.9869180.
  • Khan M.S., Ali S., Lee Y.R., Kang M.K., Pank S.Y., Tak W.Y. et al. TransUNet-lite: A robust approach to cell nuclei segmentation. Proceedings of the 2023 7th International Conference on Medical and Health Informatics. ICMHI’23. Association for Computing Machinery; 2023:251- 258. https://doi.org/10.1145/3608298.3608344.
  • Cao H., Wang Y., Chen J., Jiang D., Zhang X., Tian Q. et al. Swin-unet: Unet-like pure transformer for medical image segmentation. arXiv: Image and Video Processing (eess. IV). https://doi.org/10.48550/arXiv.2105.05537.
  • Strudel R., Garcia R., Laptev I., Schmid C. Segmenter: Transformer for semantic segmentation. arXiv: Computer Vision and Pattern Recognition (cs.CV). https://doi.org/10.48550/arXiv.2105.05633.
  • Nguyen C., Asad Z., Huo Y. Evaluating transformer-based semantic segmentation networks for pathological image segmentation. arXiv: Image and Video Processing (eess.IV). https://doi.org/10.48550/arXiv.2108.11993.
  • Çiçek, Ö., Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O. (2016). 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation. In: Ourselin S., Joskowicz L., Sabuncu M., Unal G., Wells W. (eds.) Medical Image Computing and Computer-Assisted Intervention - MICCAI 2016. MICCAI 2016. Lecture Notes in Computer Science, vol. 9901. Springer, Cham. https://doi.org/10.1007/978-3-319-46723-8_49.
  • Qamar S., Jin H., Zheng R., Ahmad P., Usama M. A variant form of 3D-Unet for infant brain segmentation. Future Generation Computer Systems. 2020;108:613-623. https://doi.org/10.1016/j.future.2019.11.021.
  • Islam M., Vibashan V., Jose V.J.M., Wijethilake N., Utkarsh U., Ren H. Brain tumor segmentation and survival prediction using 3D attention Unet. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries: 5th International Workshop, Brainles 2019, Held in Conjunction with Miccai 2019, Shenzhen, China, October 17, 2019, Revised Selected Papers, Part I, 5. 2020:262-272. https://doi.org/10.48550/arXiv.2104.00985.
  • Hwang H., Rehman H.Z.U., Lee S. 3D U-net for skull stripping in brain MRI. Appl. Sci. 2019;9(3):569. https://doi.org/10.3390/app9030569. 38. Kong F., Wilson N., Shadden S. A deep-learning approach for direct whole-heart mesh reconstruction. Medical image analysis. 2021;74:102222. https://doi.org/10.1016/j.media.2021.102222.
  • Habijan M., Leventić H., Galić I., Babin D. Whole heart segmentation from CT images using 3D U-net architecture. 2019 International Conference on Systems, Signals and Image Processing (Iwssip). IEEE; 2019:121-126. https://doi.org/10.1109/IWSSIP.2019.8787253.
  • Xiao Z., Liu B., Geng L., Zhang F., Liu Y. Segmentation of lung nodules using improved 3D-Unet neural network. Symmetry. 2020;12(11):1787. https://doi.org/10.3390/sym12111787.
  • Wu W., Gao L., Duan H., Huang G., Ye X., Nie S. Segmentation of pulmonary nodules in CT images based on 3D-Unet combined with three-dimensional conditional random field optimization. Medical Physics. 2020;47(9):4054-4063. https://doi.org/10.1002/mp.14248.
  • Yu W., Fang B., Liu Y., Gao M., Zheng S., Wang Y. Liver vessels segmentation based on 3d residual U-net. 2019 IEEE International Conference on Image Processing (Icip). 2019:250-254. https://doi.org/10.1109/ICIP.2019.8802951.
  • Zhao W., Jiang D., Queralta J.P., Westerlund T. MSS U-net: 3D segmentation of kidneys and tumors from CT images with a multi-scale supervised U-net. Informatics in Medicine Unlocked. 2020;19:100357. https://doi.org/10.1016/j.imu.2020.100357.
  • Hatamizadeh A., Nath V., Tang Y., Yang D., Roth H.R., Xu D. Swin UNETR: Swin transformers for semantic segmentation of brain tumors in MRI images. In: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries, 2021:272-284. https://doi.org/10.48550/arXiv.2201.01266.
  • Peiris H., Hayat M., Chen Z., Egan G., Harandi M. A robust volumetric transformer for accurate 3D tumor segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention. 2022:162-172. https://doi.org/10.48550/arXiv.2111.13300.
  • Ежов Ф.В., Коваленко Л.А., Разумилов Е.С., Блеканов И.С. Инструменты краудсорсинга для анализа и обработки медицинских изображений в виде снимков КТ. Процессы управления и устойчивость. Труды 54-й международной научной конференции аспирантов и студентов. 2023;10(1):291-297. http://hdl.handle.net/11701/41728 (15.04.2024).
  • Fischer U.M., Shireman P.K., Lin J.C. Current applications of artificial intelligence in vascular surgery. Semin. Vasc. Surg. 2021;34(4):268-271. https://doi.org/10.1053/j.semvascsurg.2021.10.008.
  • Lanzafame L.R.M., Bucolo G.M., Muscogiuri G., Sironi S., Gaeta M., Ascenti G. et al. Artificial intelligence in cardiovascular CT and MR imaging. Life. (Basel). 2023;13(2):507. https://doi.org/10.3390/life13020507.
  • Grespan L., Fiorini P., Colucci G., Grespan L., Fiorini P., Colucci G. Patient safety in robotic surgery. In: Grespan L., Fiorini P., Colucci G. The Route to Patient Safety in Robotic Surgery. Springer Cham; 2019:7-23. https://doi.org/10.1007/978-3-030-03020-9_2.
Еще
Статья обзорная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp