21551

21551

استفاده از يادگيري عميق در تخمين حجم بطن چپ در تصاوير تشديد مغناطيسي قلب

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1395

1398/8/21

دكتر حميد بهنام

برق

بيماري‌هاي قلبي اولين عامل مرگ‌ومير در ايران و جهان هستند. 7/17 ميليون نفر در جهان، سالانه در اثر بيماري‌هاي قلبي جان خود را از دست مي‌دهند. يكي از پارامترهاي مهم در تشخيص بيماري‌هاي قلبي، حجم بطن چپ است. اختلاف حجم بطن چپ در انتهاي سيستول و حجم بطن چپ در انتهاي دياستول، مقدار خون پمپاژ شده توسط قلب را نشان مي‌دهد. متخصص قلب به كمك روش‌هاي تصويربرداري مانند تصويربرداري تشديد مغناطيسي، اولتراسوند و ... حجم بطن چپ را محاسبه مي‌كند. تصويربرداري تشديد مغناطيسي يكي از روش‌هاي غيرتهاجمي براي تصويربرداري از قلب است. پزشك متخصص با بخش‌بندي اين تصاوير در نماي كوتاه، حجم بطن چپ را محاسبه مي‌كند. اما بخش‌بندي تصاوير تشديد مغناطيسي قلب، كاري زمان‌بر و طاقت‌فرسا است. به‌طور معمول، براي يك پزشك باتجربه بيش از ده دقيقه طول مي‌كشد تا تصاوير تشديد مغناطيسي مربوط به هر بيمار را بررسي كند. هدف اين پژوهش ارائه يك روش تخمين حجم بطن چپ مبتني بر بخش‌بندي است كه نسبت به روش‌هاي قبل صحيح‌تر باشد. روش پيشنهادي دو بخش دارد. در بخش اول الگوريتمي خودكار براي بخش‌بندي بطن چپ ارائه شده است. الگوريتم پيشنهادي يك شبكه‌ كانولوشني عميق مبتني بر سازوكار توجه و يادگيري باقيمانده است. ساختار شبكه پيشنهادي تركيبي از شبكه UNet با اسكلت ResNet و شبكه Attention-UNet است. قبل از ورود به شبكه، داده‌ها استاندارد شده و داده‌سازي با چرخش 90 و 180 درجه انجام شده است. شبكه پيشنهادي با تصاوير تشديد مغناطيسي مربوط به 30 بيمار آموزش ديده و با تصاوير 15 بيمار مورد ارزيابي قرار گرفته است. با ارزيابي شبكه پيشنهادي، معيار Dice برابر با 94/0 به‌دست آمد. بخش دوم مربوط به تخمين حجم است. در اين پژوهش از روش سيمپسون براي تخمين حجم بطن چپ استفاده شده است. نتايج حاصل از بخش‌بندي با استفاده از الگوريتم Sklansky و يك توزيع نرمال، اصلاح شدند. ارزيابي تخمين حجم روي تصاوير تشديد مغناطيسي مربوط به 440 بيمار انجام شده است. معيار جذر متوسط مربعات خطا براي حجم پايان سيستول 95/8 ميلي‌ليتر و براي حجم پايان دياستول 78/10 ميلي‌ليتر و معيار CRPS برابر با 009464/0 به‌دست آمد.

1398/10/22

Estimating left ventricular volume in cardiac MRI images using deep learning

1/12/2020 12:00:00 AM

Heart diseases are the major cause of death in Iran and the world. 17.7 million people worldwide die of heart disease each year. Left ventricle volume is one of the important parameters in the diagnosis of heart disease. The difference between left ventricle volume at the end of the systole and left ventricle volume at the end of the diastole shows the amount of blood pumped by the heart. The cardiologist calculates the left ventricle volume with imaging techniques such as magnetic resonance imaging, ultrasound, and so on. Magnetic resonance imaging is a non-invasive method for cardiac imaging. The physician calculates the left ventricular volume by segmenting short-axis view images. But manual segmentation of magnetic resonance images of the heart is a time-consuming and tedious task. Typically, it takes more than ten minutes for an experienced physician to examine magnetic resonance images of each patient. The purpose of this study is to present a segmentation-based left ventricular volume estimation method that is more accurate than previous methods. The proposed algorithm has two parts. The first part presents an automated algorithm for left ventricular segmentation. The proposed algorithm is a neural network based on residual learning and attention mechanism. The SCD database is used to train this network. First all images were normalized to a mean and standard deviation and rotated at 90 and 180 degrees. Proposed network attained 0.94 Dice score. In the second part volume estimation was done using the Simpson method. The volume results were evaluated on the SDSB database. The results of the segmentation were modified using Sklansky's algorithm and a normal distribution. Mean root square error attained 8.95 ml for end systolic volume and 10.78 ml for end diastolic volume and CRPS was 0. 009464