FenixEdu™

Dissertação

Automated Assessment of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks EVALUATED

Detalhes: Existem vários métodos para avaliação quantitativa da gravidade de uma estenose da artéria coronária, bem como diferentes medidas, levando a uma gestão distinta dos procedimentos de tratamento. É de extrema importância identificar e classificar todas as estenoses de um indivíduo. Uma implementação de três etapas utilizando aprendizagem profunda foi projetada para automatizar a detecção e avaliação da gravidade da estenose. Este estudo apresenta um novo conjunto de dados clinicamente obtidos de sequências de angiografia coronária invasiva de raios-X devidamente desidentificadas de 480 pacientes do Hospital de Santa Maria. Imagens com contraste radio-opaco foram anotadas, definindo a visibilidade total da estenose. Caixas da estenose foram anotadas em imagens de referência seguido por técnicas de processamento de imagem para propagação das caixas em cada imagem. Transferência de conhecimento de redes neuronais profundas são exploradas para aprendizagem supervisionada em cada etapa. Com aplicação de redes neuronais convolucionais para a seleção do ângulo correspondente da Artéria Coronária Esquerda / Direita atingindo uma exatidão de 0,97. Para detecção de estenoses foi atingindo 0,83/0,81 mAR para ACE/ACD respectivamente. Uma nova abordagem de reforço de região de interesse com CNN para regressão da gravidade da estenose do RCA foi explorada. O nosso método demonstra a importância de transferência de conhecimento na avaliação da gravidade da estenose com dados limitados, alcançando bons desempenhos. Para o melhor do conhecimento do autor, esta é a primeira vez que o iFR foi usado como uma métrica para tarefas de avaliação automática da gravidade da estenose, usando técnicas de aprendizagem profunda.
Keywords: Coronary Artery Disease, Convolutional Neural Network, Invasive Coronary Angiography, Stenosis Detection, Image Classification, Transfer Learning

Discussão: fevereiro 3, 2021, 12:0