Авторы

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...