vitjВрач и информационные технологииMedical Doctor and Information Technologies1811-01932413-5208Pirogov National Medical and Surgical Center10.25881/18110193_2022_2_52vitj-127Research ArticleОРИГИНАЛЬНЫЕ ИССЛЕДОВАНИЯORIGINAL RESEARCHМашинное обучение в задаче детекции стенозов сосудов коронарного бассейнаMachine learning in the detection of coronary stenosis problem solvingКлышниковК. Ю.KlyshnikovK. Yu.

к.м.н.

г. Кемерово

PhD

Kemerovo

klyshku@kemcardio.ruОвчаренкоЕ. А.OvcharenkoE. A.

к.т.н.

г. Кемерово

PhD

Kemerovo

ovchea@kemcardio.ruДаниловВ. B.DanilovV. V.

к.т.н.

г. Томск

PhD

Tomsk

danilovvv@tpu.ruОнищенкоП. С.OnishchenkoP. S.

г. Кемерово

Kemerovo

onisps@kemcardio.ruРезвоваМ. А.RezvovaM. A.

г. Кемерово

Kemerovo

rezvma@kemcardio.ruГлушковаТ. В.GlushkovaT. V.

к.б.н.

г. Кемерово

PhD

Kemerovo

glushtv@kemcardio.ruКостюнинА. Е.KostyuninA. E.

к.б.н.

г. Кемерово

PhD

Kemerovo

kostae@kemcardio.ruБарбарашЛ. С.BarbarashL. S.

Академик РАН, д.м.н.

г. Кемерово

Academician of the RAS, Dr. Sci (Medicine)

Kemerovo

director@kemcardio.ruНИИ КПССЗРоссияResearch Institute for CIoCDRussian FederationНИ ТПУРоссияTPURussian Federation202230032025025261Copyright © Клышников К.Ю., Овчаренко Е.А., Данилов В.B., Онищенко П.С., Резвова М.А., Глушкова Т.В., Костюнин А.Е., Барбараш Л.С., 20252025Клышников К.Ю., Овчаренко Е.А., Данилов В.B., Онищенко П.С., Резвова М.А., Глушкова Т.В., Костюнин А.Е., Барбараш Л.С.Klyshnikov K.Y., Ovcharenko E.A., Danilov V.V., Onishchenko P.S., Rezvova M.A., Glushkova T.V., Kostyunin A.E., Barbarash L.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vit-j.ru/jour/article/view/127Актуальность

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

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

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

Результаты. Показано, что использованная архитектура нейронной сети способна осуществлять детекцию с точностью 94%, но в значительной мере не удовлетворяет требованиям производительности (скорости обработки).

Заключение

Заключение. Полученные результаты определяют дальнейшее направление развития данного подхода – снижение времени анализа каждого кадра коронарографии за счет методов препроцессинга изображений.

Abstract

Abstract.

Background

Background. Considering the growing interest of researchers and clinical specialists in algorithms for processing medical data, the prospects for the applied application of such approaches have significantly increased, primarily, involving the use of deep neural networks in the tasks of detecting pathological areas. However, the use of such approaches is associated with a low level of localization accuracy, insufficient to translate the developments into the field of assistive systems for making medical decisions.

Aim

Aim. This work is aimed at assessing the speed and accuracy of the modern architecture of the convolutional neural network RFCN ResNet-101 V2 for the prospects for automated processing of clinical data from coronary angiography.

Materials and methods

Materials and methods. The basis for the chosen neural network architecture training was the clinical graphic data of 50 patients subjected to routine coronary angiography, which is characterized by the presence of single-focal lesions (stenoses) in more than 75% of all cases. The study evaluated the metrics of classification and localization accuracy in determining the position of a single-focal coronary artery lesion.

Results

Results. The utilized architecture of the neural network was capable of detecting single-focal lesions with an accuracy of 94%. However, to a large extent, it didn’t the performance requirements (processing speed).

Conclusion

Conclusion. The results obtained determine the further direction of development of the presented approach, which should be reducing the time of analysis of each frame of coronary angiography due to image preprocessing methods.

нейронная сетькоронарографияmAPлокализациястеноз коронарной артерииneural networkcoronary angiographyF1-scorelocalizationstenosis of the coronary arteryReferencesСердечно-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.Bokeriya LA, Milievskaya EB, Kudzoeva ZF, Pryanishnikov VV, Skopin AI, Yurlov IA, editors. Cardiovascular Surgery 2018. Diseases and congenital abnormalities of circulatory system. Moscow: NMITsSSKh im. A.N. Bakuleva. 2019. (In Russ).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.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.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.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.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.Tarasov RS, Ganyukov VI. Prognostic role of initial and residual severity of coronary atherosclerosis in myocardial in farction patients undergoing primary percutaneous coronary intervention. Complex Issues of Cardiovascular Diseases. 2016; 5(4): 6-14. (In Russ). doi: 10.17802/2306-1278-2016-4-6-14.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.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.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/s10554-0130271-1.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/s10554-0130271-1.Wang C, Moreno R, Smedby Ö. Vessel Segmentation Using Implicit Model-Guided Level Sets. In: MICCAI 2012.Wang C, Moreno R, Smedby Ö. Vessel Segmentation Using Implicit Model-Guided Level Sets. In: MICCAI 2012.Broersen A, Kitslaar PH, Frenay M, et al. FrenchCoast: Fast, Robust Extraction for the Nice CHallenge on COronary Artery Segmentation of the Tree. 2012.Broersen A, Kitslaar PH, Frenay M, et al. FrenchCoast: Fast, Robust Extraction for the Nice CHallenge on COronary Artery Segmentation of the Tree. 2012.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.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.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.Leonova VO, Kochergina AM, Barbarash OL. Clinical Portrait of The Patient before the Planned Percutral Coronary Intervention in Conditions of Real Practice. Kardiologiia. 2020; 60(4): 31-35. (In Russ). doi: 10.18087/cardio.2020.4.n937.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.Lobanov MG, Sholomov DL. On the acceleration of the convolutional neural network architecture based on resnet in the task of road scene objects recognition. 2019; 3: 57-65. (In Russ). doi:10.14357/20718632190305.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.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.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.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.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.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.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.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.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.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.

The authors declare that there are no conflicts of interest present.