جداسازی ناحیه گوشک دهلیز چپ در تصاویر اکوکاردیوگرافی قلب با استفاده از شبکه عصبی عمیق

بیماری های قلبی و عروقی یکی از علل اصلی مرگ ومیر در جهان صنعتی امروز هستند. انسداد گوشک دهلیز چپ با استفاده از دستگاه های ساخته شده یک روند رو به رشد است. این مطالعه با هدف ایجاد یک سیستم تشخیصی به کمک رایانه برای شناسایی LAA در تصاویر اکوکاردیوگرافی انجام شد.

داده های به کار رفته در این مطالعه توصیفی-تحلیلی، تصاویر اکوکاردیوگرافی سه بعدی از قلب مربوط به 32 بیمار اخذ شده در بیمارستان کینگز کالج لندن است که تمامی آن ها با موفقیت با مسدودکننده درمان شدند. مجموع 208 تصویر دوبعدی به دست آمده در صفحه محوری از هر مجموعه داده سه بعدی به دست آمد. سپس 1914 تصویر که در آن ها ناحیه مربوط به LAA به وضوح قابل تشخیص بودند برای این مطالعه انتخاب شدند. شبکه عصبی پیشنهادی در این مطالعه مبتنی بر الگوریتم YOLOv3 کامپایل شده است. در نهایت 1369 و 545 تصویر به ترتیب برای آموزش و آزمایش الگوریتم مورد استفاده قرار گرفتند.

عملکرد الگوریتم در شناسایی LAA بر روی مجموعه ای از 545 تصویر با نواحی ردیابی شده در تصاویر مشابه توسط یک متخصص در اکوکاردیوگرافی با استفاده از یک تقاطع بر روی الگوریتم (‏IoU) ‏مقایسه شد. الگوریتم قادر به شناسایی صحیح ناحیه LAA در تمامی 545 تصویر بررسی شده با IoU میانگین 99/37% بود.

الگوریتم پیشنهادی مبتنی بر تصویر، در این مطالعه دقت بالایی در تشخیص حدود LAA در تصاویر اکوکاردیوگرافی نشان داد. این روش می تواند در توسعه الگوریتم ها برای تجزیه وتحلیل خودکار ناحیه LAA جهت تعیین اندازه دستگاه و برنامه ریزی رویه ای در روش های انسداد LAA مورد استفاده باشد.