Preview

Бюллетень сибирской медицины

Расширенный поиск

Искусственные нейронные сети в кардиологии: анализ графических данных

https://doi.org/10.20538/1682-0363-2021-4-193-204

Полный текст:

Аннотация

Рассмотрены области применения сверточных нейронных сетей для обработки медицинских изображений в различных сферах кардиологии и кардиохирургии на примере публикаций с 2016 по 2019 г.

В данной работе использовались следующие базы научных статей: PubMed Central, ArXiv, ResearchGate. Приведенные работы структурировались по области интереса (сердце, аорта, сонные артерии).

Описан общий принцип работы рассматриваемой технологии, показаны результаты и рассмотрены основные области применения данной технологии в анализируемых работах. Для большинства приведенных исследований приведены объемы выборок, авторское видение развития сверточных нейронных сетей в медицине и перечислены некоторые ограничивающие факторы для их распространения.

Показаны возможные сферы применения сверточных нейронных сетей в области кардиологии и кардиохирургии. Не отрицая существующие проблемы, такой тип искусственных нейронных сетей в будущем может стать верным помощником для широкого спектра врачей и исследователей. 

Об авторах

П. С. Онищенко
Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний (НИИ КПССЗ); Институт вычислительных технологий Сибирского отделения Российской академии наук (ИВТ СО РАН)
Россия

мл. науч. сотрудник, 650002, г. Кемерово, Сосновый бульвар, 6;

аспирант, лаборатория новых биоматериалов, 630090, г. Новосибирск, пр. Академика Лаврентьева, 6 

 



К. Ю. Клышников
Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний (НИИ КПССЗ)
Россия

науч. сотрудник, лаборатория новых биоматериалов, ИВТ СО РАН, г. Новосибирск. ORCID
0000-0003-3211-1250



Е. А. Овчаренко
Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний (НИИ КПССЗ)
Россия

канд. техн. наук, зав. лабораторией новых биоматериалов, 

 



Список литературы

1. Shen D., Wu G., Suk H.-I. Deep Learning in Medical Image Analysis. Annu. Rev. Biomed. Eng. 2017; 19: 221–248. DOI: 10.1146/annurev-bioeng-071516-044442.

2. Smith B.J., Adhami R.R. Medical imaging. IEEE Potentials. 2000; 17 (5): 9–12. DOI: 10.1109/45.730965.

3. Bai W., Sinclair M., Tarroni G., Oktay O., Rajchl M., Vaillant G. et al. Automated cardiovascular magnetic resonance image analysis with fully convolutional networks 08 Information and Computing Sciences 0801 Artificial Intelligence and Image Processing. J Cardiovasc. Magn. Reson. 2018; 20 (1): 65. DOI: 10.1186/s12968-018-0471-x.

4. Caterini A.L., Chang D.E. Recurrent neural networks. Springer Briefs Comput. Sci. 2018; 59–79.

5. Nie D., Wang L., Gao Y., Sken D. Fully convolutional networks for multi-modality isointense infant brain image segmentation. Proc. – Int. Symp. Biomed. Imaging. 2016; 2016: 1342–1345. DOI: 10.1109/ISBI.2016.7493515.

6. Thaha M.M., Kumar K.P.M., Murugan B.S., Dhanasekeran S., Vijayakarthick P., Selvi A.S. Brain tumor segmentation using convolutional neural networks in MRI images. J. Med. Syst. 2019; 43 (9): 1240–1251. DOI: 10.1007/s10916-019-1416-0.

7. Suk H.I., Lee S.W., Shen D. Latent feature representation with stacked auto-encoder for AD/MCI diagnosis. Brain Struct. Funct. 2015; 220 (2): 841–859. DOI: 10.1007/s00429-013-0687-3.

8. Suk H.-I., Shen D. Deep learning in diagnosis of brain disorders. Recent. Prog. Brain Cogn. Eng. Springer. 2015; 203–213. DOI: 10.1007/978-94-017-7239-6_14.

9. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2015; 9351: 234–241.

10. Milletari F., Navab N., Ahmadi S.A. V-Net: Fully convolutional neural networks for volumetric medical image seg mentation. Proc. – 2016 4th Int. Conf. 3D Vision, 3DV 2016. IEEE. 2016; 565–571.

11. Szegedy C., Toshev A., Erhan D. Deep Neural Networks for object detection. Adv. Neural Inf. Process. Syst. 2013; 2553– 2561.

12. Taigman Y., Yang M., Ranzato M., Wolf L. DeepFace: Closing the gap to human-level performance in face verification. Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. 2018; 1701–1708. DOI: 10.1109/CVPR.2014.220.

13. Silver D., Huang A., Maddison C.J., Guez A., Sifre L., van den Driessche G. et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016; 529 (7587): 484–489. DOI: 10.1038/nature16961.

14. Razzak M.I., Naz S., Zaib A. Deep learning for medical image processing: Overview, challenges and the future. Lect. Notes Comput. Vis. Biomech. 2018; 26: 323–350.

15. Smistad E., Falch T.L., Bozorgi M., Elster A.C., Lindseth F. Medical image segmentation on GPUs - A comprehensive review. Med. Image Anal. 2015; 20 (1): 1–18. DOI: 10.1016/j.media.2014.10.012.

16. Zhou T., Ruan S., Canu S. A review: Deep learning for medical image segmentation using multi-modality fusion. Array. 2019; 3–4: 100004. DOI: 10.1016/j.array.2019.100004.

17. Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A.C., Fei-Fei L. ImageNet large scale visual recognition challenge. Int. J. Comput. Vis. 2015; 115 (3): 211–252. DOI: 10.1007/s11263-015-0816-y.

18. Moeskops P., Wolterink J.M., van der Velden B.H., Gilhuijs K.G., Leiner T., Viergever M.A., Išgum I. Deep learning for multi-task medical image segmentation in multiple modalities. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2016; 9901 LNCS: 478–486. DOI: 10.1007/978-3-319-46723-8_55.

19. Baumgartner C.F., Koch L.M., Pollefeys M., Konukoglu E. An exploration of 2D and 3D deep learning techniques for cardiac MR image segmentation. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics.. 2018; 10663 LNCS: 111–119. DOI: 10.1007/978-3-319-75541-0_12.

20. Pesapane F., Codari M., Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur. Radiol. Exp. 2018; 2 (1): 35. DOI: 10.1186/s41747-018-0061-6.

21. Брюхомицкий Ю.А. Нейросетевые модели для систем информационной безопасности. Таганрог: ТРТУ, 2005: 160. 22. Kim M., Yun J., Cho Y., Shin K., Jang R., Bae H., Kim N. Deep learning in medical imaging. Neurospine. 2019; 16 (4): 657–668. DOI: 10.14245/ns.1938396.198.

22. Krittanawong C., Tunhasiriwet A., Zhang H.J., Wang Z., Aydar M., Kitai T. Deep learning with unsupervised feature in echocardiographic imaging. J. Am. Coll. Cardiol. 2017; 69 (16): 2100–2101. DOI: 10.1016/j.jacc.2016.12.047.

23. Zhao Y., Xia X., Togneri R. Applications of deep learning to audio generation. IEEE Circuits Syst. Mag. 2019; 19 (4): 19–38. DOI: 10.1109/MCAS.2019.2945210.

24. LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015; 521 (7553): 436–444. DOI: 10.1038/nature14539.

25. Gupta A., Ayhan M.S., Maida A.S. Natural image bases to represent neuroimaging data. 30th Int. Conf. Mach. Learn. ICML 2013. 2013; 2024–2031.

26. Brosch T., Tam R. Initiative for the Alzheimers Disease Neuroimaging. Manifold Learn brain MRIs by Deep Learning Med. Image Comput. Assist. Interv. 2013; 16 (2): 633–640. DOI: 10.1007/978-3-642-40763-5_78.

27. Yu L., Guo Y., Wang Y., Yu J., Chen P. Segmentation of fetal left ventricle in echocardiographic sequences based on dynamic convolutional neural networks. IEEE Trans. Biomed. Eng. 2017; 64 (8): 1886–1895. DOI: 10.1109/TBME.2016.2628401.

28. Xue W., Brahm G., Pandey S., Leung S., Li S. Full left ventricle quantification via deep multitask relationships learning. Med. Image Anal. 2018; 43: 54–65. DOI: 10.1016/j.media.2017.09.005.

29. Xue W., Lum A., Mercado A., Landis M., Warrington J., Li S. Full quantification of left ventricle via deep multitask learning network respecting intra- and inter-task relatedness. Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics). 2017; 10435 LNCS: 276–284. DOI: 10.1007/978-3-319-66179-7_32.

30. Dormer J.D., Fei B., Halicek M., Ma L., Reilly C.M., Schreibmann E. Heart chamber segmentation from CT using convolutional neural networks. Med. Imaging 2018 Biomed. Appl. Mol. Struct. Funct. Imaging, vol. 10578. International Society for Optics and Photonics. 2018; 100. DOI: 10.1117/12.2293554.

31. Tan L.K., McLaughlin R.A., Lim E., Abdul Aziz Y.F., Liew Y.M. Fully automated segmentation of the left ventricle in cine cardiac MRI using neural network regression. J. Magn. Reson. Imaging. 2018; 48 (1): 140–152. DOI: 10.1002/jmri.25932.

32. Wang D., Zhang R., Zhu J., Teng Z., Huang Y., Spiga F., Du M.H.-F., Gillard J.H., Lu Q., Liò P. Neural network fusion: a novel CT-MR aortic aneurysm image segmentation method. Med. Imaging 2018 Image Process. 2018; 10574: 75. DOI: 10.1117/12.2293371.

33. Graffy P.M., Liu J., Pickhardt P.J., Burns J.E., Yao J., Summers R.M. Deep learning-based muscle segmentation and quantifcation at abdominal CT: Application to a longitudinal adult screening cohort for sarcopenia assessment. Br. J. Radiol. 2019; 92 (1100): 2921–2928. DOI: 10.1259/bjr.20190327.

34. He K., Gkioxari G., Dollár P., Girshick R. Mask r-cnn. Proc. IEEE. Int. Conf. Comput. Vis. 2017; 2961–2969. DOI: 10.1109/ICCV.2017.322.

35. Pickhardt P.J. Imaging and screening for colorectal cancer with CT colonography. Radiol. Clin. North Am. 2017; 55 (6): 1183–1196. DOI: 10.1016/j.rcl.2017.06.009.

36. Neves P.O., Andrade J., Monção H. Escore de cálcio coronariano: Estado atual. Radiol Bras. 2017; 50 (3): 182–189. DOI: 10.1590/0100-3984.2015.0235.

37. Segal B.L. The pathology of coronary heart disease. Can. Med. Assoc. J. 1962; 87 (26): 1387–1390.

38. Van der Wal A.C. Coronary artery pathology. Heart. 2007; 93 (11): 1484–1489. DOI: 10.1136/hrt.2004.038364.

39. Nasr-Esfahani E., Samavi S., Karimi N., Soroushmehr S.R., Ward K., Jafari M.H., Felfeliyan B., Nallamothu B., Najarian K. Vessel extraction in X-ray angiograms using deep learning. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. 2016; 2016: 643–646. DOI: 10.1109/EMBC.2016.7590784.

40. Wolterink J.M., Hamersvelt R.W., Viergever M.A., Leiner T., Išgum I. Coronary artery centerline extraction in cardiac CT angiography using a CNN-based orientation classifier. Med. Image Anal. 2019; 51: 46–60. DOI: 10.1016/j.media.2018.10.005.

41. Yong Y.L., Tan L.K., McLaughlin R.A., Chee K.H., Liew Y.M. Linear-regression convolutional neural network for fully automated coronary lumen segmentation in intravascular optical coherence tomography. J. Biomed. Opt. 2017; 22 (12): 1–9. DOI: 10.1117/1.jbo.22.12.126005.

42. Dice L.R. Measures of the amount of ecologic association between species. Ecology. 1945; 26 (3): 297–302. DOI: 10.2307/1932409.

43. Zou K.H., Warfield S.K., Bharatha A., Tempany C.M.C., Kaus M.R., Haker S.J., Wells W.M., Jolesz F.A., Kikinis R. Statistical validation of image segmentation quality based on a spatial overlap index. Acad. Radiol. 2004; 11 (2): 178–189. DOI: 10.1016/S1076-6332(03)00671-8.

44. Pijls N.H., De Bruyne B., Peels K., van der Voort P.H., Bonnier H.J.R.M., Bartunek J., Koolen J.J. Measurement of fractional flow reserve to assess the functional severity of coronary-artery stenoses. N. Engl. J. Med. 1996; 334 (26): 1703–1708. DOI: 10.1056/NEJM199606273342604.

45. Stegehuis V.E., Wijntjens G.W., Piek J.J., van de Hoef T.P. Fractional flow reserve or coronary flow reserve for the assessment of myocardial perfusion: Implications of FFR as an imperfect reference standard for myocardial ischemia. Curr. Cardiol. Rep. 2018; 20 (9): 77. DOI: 10.1007/s11886-018-1017-4.

46. Zreik M., Lessmann N., van Hamersvel R.W., Wolterink J.M., Voskuil M., Viergever M. A., Leinerb T., Išgum I. Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis. Med. Image Anal. 2018; 44: 72–85. DOI: 10.1016/j.media.2017.11.008.

47. Van Hamersvelt R.W., Zreik M., Voskuil M., Viergever M.A., Išgum I., Leiner T. Deep learning analysis of left ventricular myocardium in CT angiographic intermediate-degree coronary stenosis improves the diagnostic accuracy for identification of functionally significant stenosis. Eur. Radiol. 2019; 29 (5): 2350–2359. DOI: 10.1007/s00330-018-5822-3.

48. Itu L., Rapaka S., Passerini T., Georgescu B., Schwemmer C., Schoebinger M., Flohr T., Sharma P., Comaniciu D. A machine-learning approach for computation of fractional flow reserve from coronary computed tomography. J. Appl. Physiol. 2016; 121 (1): 42–52. DOI: 10.1152/japplphysiol.00752.2015.

49. Wang L., Xie X.L., Bian G.B., Hou Z.G., Cheng X.R., Prasong P. Guide-wire detection using region proposal network for X-ray image-guided navigation. Proc. Int. Jt. Conf. Neural Networks. 2017; 2017: 3169–3175. DOI: 10.1109/IJCNN.2017.7966251.

50. Yang H., Shan C., Kolen A.F., de With P.H.N. Catheter localization in 3D ultrasound using voxel-of-interest-based ConvNets for cardiac intervention. Int. J. Comput. Assist. Radiol. Surg. 2019; 14 (6): 1069–1077. DOI: 10.1007/s11548-019-01960-y.

51. Lee H., Mansouri M., Tajmir S., Lev M.H., Do S. A deep-learning system for fully-automated peripherally inserted central catheter (PICC) tip detection. J. Digit. Imaging. 2018; 31 (4): 393–402. DOI: 10.1007/s10278-017-0025-z.

52. Shelhamer E., Long J., Darrell T. Fully сonvolutional networks for semantic segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 2017; 39 (4): 640–651. DOI: 10.1109/TPAMI.2016.2572683.


Рецензия

Для цитирования:


Онищенко П.С., Клышников К.Ю., Овчаренко Е.А. Искусственные нейронные сети в кардиологии: анализ графических данных. Бюллетень сибирской медицины. 2021;20(4):193-204. https://doi.org/10.20538/1682-0363-2021-4-193-204

For citation:


Onishchenko P.S., Klyshnikov K.Yu., Ovcharenko E.A. Artificial neural networks in cardiology: analysis of graphic data. Bulletin of Siberian Medicine. 2021;20(4):193-204. (In Russ.) https://doi.org/10.20538/1682-0363-2021-4-193-204

Просмотров: 50


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1682-0363 (Print)
ISSN 1819-3684 (Online)