طبقه بندي ريخت شناسي دريچه ميترال با استفاده از يادگيري عميق

دكتري

طبق گزارش سازمان بهداشت جهاني، بيماريهاي قلبي عروقي علت اصلي مرگ و مير در جهان است. التراسوند قلب كه به عنوان اكوكارديوگرافي(يا اكو) شناخته شدهاست، روش استاندارد براي غربالگري، تشخيص و نظارت بر بيماريهاي قلبي و عروقي ميباشد. اين حالت تصويربرداري غيرتهاجمي در امر تشخيص و درمان به عنوان اقتصادي ترين و بي ضررترين روش به جايگاه ويژه اي دست يافته است. بررسي هاي اكو استاندارد شامل ارزيابي اندازه و عملكرد حفره ها و همچنين تنگي و ساير مشخصه هاي ظاهري، آناتوميك و حركتي دريچه ها، ديواره ها و حفره هاي قلب ميباشد. تفسير تصاوير اكوكارديوگرافي به علت ماهيت نويزي آن ها حتي براي بهترين متخصصان مشكل است. همچنين بسياري از اندازه گيري ها و تحليل ها جهت تشخيص عملكرد قلب وقت-گير و وابسته به نظر فردي مي باشد. از اين رو نياز فراواني به يك سيستم خودكار جهت بهبود كيفيت تصاوير و استخراج پارامترهاي اصلي عملكرد قلب به منظور كمك به تشخيص احساس ميشود. روشهاي مبتني بر يادگيري عميق مانند شبكههاي عصبي كانولوشني (CNNs) و ترنسفورمرها نتايج خوبي را در بسياري از مسائل هوش مصنوعي ايجاد كردهاند. با كمك يادگيري عميق بخشي از مسئوليت استخراج ويژگي از انسان به كامپيوتر انتقال يافته است. اگرچه يادگيري عميق سهم عمدهاي را در تجزيه و تحليل تصاوير پزشكي در موداليتي هايي همانند تصاوير MRI، CT، X-ray ايفا كردهاست، اما بكارگيري اين ايده در تحليل تصاوير اكوكارديوگرافي همچنان با چالش هايي روبرو است. هدف اصلي اين پژوهش بكارگيري ايده يادگيري عميق به منظور استخراج ويژگي از تصاوير اكوكارديوگرافي و طبقه بندي ريخت شناسي دريچه ميترال در تصاوير اكوكارديوگرافي ‌است. جهت نيل به اين هدف دادگان استاندارد اكو(تصاوير اكو از ميان قفسه سينه (TTE)) با تنوع مناسبي در طي دوسال از افرادي كه به دلايل قلبي به مركز قلب تهران مراجعه مي كردند در دو نماي A4C و PLA جمع آوري، برچسب گذاري و مورد استفاده قرار گرفت. اين دادگان شامل دو بخش: مجموعه دريچه ميترال مصنوعي(447 نمونه مصنوعي و 1597 نمونه طبيعي) و مجموعه دريچه ميترال با معيار كارپنتير(424 نمونه NL، 155 نمونه MVP، 392 نمونه IIIa و 802 نمونه IIIb) است. در مجموعه اول با بكارگيري و آموزش 13 شبكه رايج مبتني بر CNNها بمنظور طبقه بندي تصاوير اكوكارديوگرافي دريچه ميترال در دو كلاس طبيعي و مصنوعي، شبكه EfficientNetB3 در نماي A4C و شبكه EfficientNetB4 در نماي PLA داراي بهترين عملكرد با AUC=0.99 بودند. براي مجموعه دوم چهارچوب الگوريتم پيشنهادي داراي سه بخش تحليل خودكار: تشخيص نما با شبكه EfficientNetB0، تشخيص محل بطن چپ با شبكه RetinaNet براي تعيين فازهاي سيستول-دياستول و طبقه بندي 4 و 3 كلاسه است. پس از تحليل دو بخش اول ابتدا نماي PLA هر نمونه توسط شبكه Inception-ResNet-v2 4كلاسه براي مشخص كردن بيماري MVP تعيين كلاس مي شود، اگر برچسب غير از MVP باشد نماي A4C نمونه توسط شبكه ResNeXt50 3كلاسه براي تعيين يكي از سه كلاس IIIa، IIIb و NL بررسي مي گردد. با چنين چهارچوب مبتني بر باقاعده در مجموعه آزمايش به دقت 80% دست يافتيم. بمنظور بررسي و ارائه قابليت توضيح پذيري عملكرد شبكه ها با الگوريتم Grad-Cam مناطقي از تصاوير اكوكارديوگرافي كه در آن مدل‌هاي مختلف به آن توجه مي نمايند را بصورت مصور نمايش داديم. با بكارگيري شبكه هاي حافظه دار مبتني بر ورودي ويدئو و استفاده از ايده نوين ترنسفورمرها و مكانيسم توجه استفاده از اطلاعات بين فريمي در چهاركلاس پيش گفته را مورد ارزيابي قرار داديم. در استفاده از ترنسفرمرها براي داشتن شرايط برابر در يك سيكل قلبي ابتدا فريم هاي نماي PLA تمامي نمونه ها را با روش SPARTEMP افزايش فريم داديم؛ سپس ازفريم هاي يك سيكل نمونه-برداري 16تايي انجام داده و در ادامه از هر فريم توسط شبكه Inception-ResNet-v2 بردار ويژگي استخراج مي گردد. اين بردارها با انجام پيش پردازش وارد بلوك هاي توجه به خود چند سر مي شوند. در اين بلوك ها با توليد بردارهاي كليد، مقدار و جستجو و اعمال عملگرغيرخطي، بلوك كانولوشن و ادغام ميانگين، طبقه بندي براي هر يك از 4 كلاس صورت پذيرفت. با اين روش به 2% افزايش دقت نسبت به روش قبلي رسيديم. نتايج اين پژوهش مي تواند بعنوان سيستم تشخيص بيماريها به كمك كامپيوتر(CADx) در نرم افزارهاي دستگاههاي اكوكارديوگرافي مورد استفاده قرار گيرد.

210990

دانشگاه علم و صنعت ايران

دكتر علي حسين ثابت

برق-الكترونيك

دكتر حميد بهنام