FenixEdu™

Dissertação

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

Detalhes: {pt=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., en=Several methods for quantitative severity assessment of coronary artery stenosis exist as well as different measures, leading to distinct management of treatment procedures. It is of upmost importance to properly identify and classify all possible stenosis on an individual. A deep-learning three-step framework implementation was designed to automate the detection and assessment of stenosis severity. This study showcases a new clinically obtained dataset of properly de-identified X-ray invasive coronary angiography (ICA) sequences of 438 patients from \textit{Hospital de Santa Maria}. For each sequence, radio-opaque contrast filled frames were annotated, defining full stenosis visibility with stenosis bounding boxes being annotated by an expert physician on reference frames followed by image processing techniques for propagation at each frame. Transfer learning dynamics of deep neural networks are exploited for supervised learning at each step, employing CNN's for angle view selection of the Left/Right Coronary Artery (LCA/RCA) achieving 0.97 Accuracy, single-shot detectors for stenosis detection achieving 0.83/0.81 mAR for LCA/RCA respectively and a new region of interest boost approach with CNN's for stenosis severity regression of the RCA was explored. Our method showcases the importance of transfer learning in stenosis severity assessment with limited data, achieving considerable performances. To the best of the author's knowledge, this is the first time that iFR was used as a metric for stenosis severity assessment tasks using deep learning techniques.}
Keywords: {pt=Coronary Artery Disease, Convolutional Neural Network, Invasive Coronary Angiography, Stenosis Detection, Image Classification, Transfer Learning, en=Doença de Artéria Coronária, Rede Neuronal Convolucional, Angiografia Coronária Invasiva, Detecção Automática de Estenose, Classificação de Imagem, Transferência de Aprendizagem}

Discussão: fevereiro 3, 2021, 12:0