27122

تخمين نسبت تخليه بطن چپ از تصاوير اكوكارديوگرافي دو بعدي مبتني بر يادگيري عميق

كارشناسي ارشد

مهندسي برق- مهندسي پزشكي - بيوالكتريك

1398

1401/5/1

حميد بهنام

مهندسي برق

اكوكارديوگرافي در صدر روش‌هاي انتخابي پزشكان براي بررسي عملكرد قلب و شناسايي بيماري‌ها قرار دارد. در اكثر موارد نارسايي‌هاي قلبي، بطن چپ دچار اختلال شده و نمي‌تواند عملكرد طبيعي خود را ايفا كند. بنابراين بررسي بطن چپ و پارامتر‌هاي آن نظير نسبت تخليه از جمله كار‌هاي ضروري به شمار مي‌رود. دراين پژوهش سعي شده است با استفاده از شبكههاي عصبي و يادگيري عميق به قطعه‌بندي بطن چپ، تعيين زمان پايان سيستولي - پايان دياستولي و محاسبه ميزان كسر خروجي از روي 10030 ويديو اكوكارديوگرافي جمع آوري شده در مركز تحقيقاتي دانشگاه استنفورد بپردازيم. در اين بررسي با استفاده از عمل قطعه‌بندي، الگوريتم‌هاي يادگيري ماشين و شبكه‌هاي عصبي قدرتمند يك پيش‌بيني دقيق از عملكرد قلب انجام شد. عمل قطعه‌بندي با سه شبكه ,Resnet-50 Resnet-101 و FCNResnet50 آزمايش شد. شبكه Resnet-50 بهترين عملكرد را در قطعه‌بندي بطن چپ داشت؛ لازم به ذكر است عمل قطعه‌بندي بر روي تمام فريم‌هاي ويدئو كه داراي طول متفاوت بودند صورت گرفت. براي سرعت بخشيدن و افزايش كيفيت در يك پيش‌پردازش با استفاده از يك تصوير ميانگين در هر ويدئو، ناحيه شامل بطن چپ شناسايي و برش داده شد . سپس نتايج در حالت ويديو‌هاي برش داده شده و ويديو‌هاي بدون برش با هم مقايسه شدند تا بتوانيم بهترين الگوريتم كاملا خودكار را براي دستيابي به آناتومي و پارامترهاي قلبي بيابيم. بعد از اعمال برش، كيفيت و سرعت قطعه‌بندي افزايش يافت، هم‌چنين زمان آزمايش نيز به صورت قابل¬توجهي بهبود يافت. معيار دايس در بهترين حالت 9412/ 0 و مقدار ميانگين 9335/0 بود. در مرحله بعدي اقدام به اندازه‌گيري نسبت تخليه بطن چپ با سه روش يادگيري عميق، يادگيري ماشين و روش سيمپسون يك طرفه كرديم. در آزمايش اول از يك شبكه CNN از نوع R(2+1)D براي شناسايي حركت در تمام فريم‌هاي ويدئو بهره برده شد. در آزمايش دوم فريم‌هاي پايان سيستولي و پايان دياستولي از نمودار اندازه بطن چپ تشخيص داده شد و با كمك روش سيمپسون حجم بطن چپ و در نهايت نسبت تخليه را اندازه‌گيري كرديم، در آزمايش سوم الگوريتم‌هاي معروف يادگيري ماشين را به-كار گرفتيم. ابتدا نسبت تخليه را بر اساس اندازه بطن چپ و سپس بر اساس حجم بطن چپ تخمين زديم. به ترتيب معيارهاي 0.8482= R^2 و0.9768= R^2 حاصل شدند در هر دو مرحله، الگوريتم k نزديك‌ترين همسايگي بهترين عملكرد را داشت؛ لازم به ذكر است كه براي نخستين بار تخمين نسبت تخليه بر اساس مساحت بطن چپ صورت گرفت.

1401/07/23

Calculation of ejection fraction and left ventricular graph from echocardiographic images

7/23/2023 12:00:00 AM

Echocardiography is one of the physicians' choices for assessing heart function and diagnosing heart disease. In most cases of heart failure, the left ventricle is disrupted and unable to work normally. Therefore, analysis of the left ventricle and its parameters such as ejection fraction is one of the necessary tasks. In this study, we have tried to segment the left ventricle, determine the end-systolic and end-diastolic frames, and calculate the ejection fraction by using neural networks, from 10030 echocardiographic videos collected at the Stanford University Research Center. In this work, an accurate prediction of heart function is achieved using the act of segmentation, machine learning algorithms, and powerful neural networks. The Resnet-50 network performed best in left ventricular segmentation. It should be noted that segmentation was performed on all frames of different lengths of videos. To speed up and increase the quality of the cases, pre-processing was performed by using a coarse image in each video, we identified and cut the area including the left ventricle. The final results were then compared to find the best fully automated algorithm for achieving anatomy and cardiac parameters. After cutting, the quality and speed of segmentation increased and the test time also improved significantly. Dice's criterion was 0.9412 at best. In the next step, we measured the left ventricular ejection fraction with three methods of deep learning, machine learning, and Simpson. We used a CNN, R (2 + 1) D network for action recognition in all video frames. Then we used the famous machine learning algorithms in two studies. The first and second studies obtained the criteria of R2 = 0.8482 and R2 = 0.9768, respectively. In both stages of the algorithm, the nearest neighborhood k had the best performance. It should be noted that for the first time, the ejection fraction was predicted based on the area of the left ventricle in the first study.

اكوكارديوگرافي , بطن چپ , نسبت تخليه بطن چپ , يادگيري عميق

echocardiography , Left ventricular , ejecttion fraction , Deep Learning

Pegah Yoosefi

Dr. Behnam