جداسازي ناحيه گوشك دهليز چپ در تصاوير اكوكارديوگرافي قلب با استفاده از شبكه عصبي عميق

Segmentation of the Left Atrial Appendage in the Echocardiographic Images of the Heart Using a Deep Neural Network

مقدمه: بيماري‌هاي قلبي و عروقي يكي از علل اصلي مرگ‌ومير در جهان صنعتي امروز هستند. انسداد گوشك دهليز چپ با استفاده از دستگاه‌هاي ساخته‌ شده يك‌روند رو به رشد است. اين مطالعه با هدف ايجاد يك سيستم تشخيصي به كمك رايانه براي شناسايي LAA در تصاوير اكوكارديوگرافي انجام شد. روش: داده‌هاي به ‌كار رفته در اين مطالعه توصيفي-تحليلي، تصاوير اكوكارديوگرافي سه‌بعدي از قلب مربوط به 32 بيمار اخذ شده در بيمارستان كينگز كالج لندن است كه تمامي آن‌ها با موفقيت با مسدودكننده درمان شدند. مجموع 208 تصوير دوبعدي به‌دست‌آمده در صفحه محوري از هر مجموعه داده سه‌بعدي به دست ‌آمد. سپس 1914 تصوير كه در آن‌ها ناحيه مربوط به LAA به‌وضوح قابل‌تشخيص بودند براي اين مطالعه انتخاب شدند. شبكه عصبي پيشنهادي در اين مطالعه مبتني بر الگوريتم YOLOv3 كامپايل شده است. در نهايت 1369 و 545 تصوير به ترتيب براي آموزش و آزمايش الگوريتم مورد استفاده قرار گرفتند. نتايج: عملكرد الگوريتم در شناسايي LAA بر روي مجموعه‌اي از 545 تصوير با نواحي رديابي شده در تصاوير مشابه توسط يك متخصص در اكوكارديوگرافي با استفاده از يك تقاطع بر روي الگوريتم (IoU) مقايسه شد. الگوريتم قادر به شناسايي صحيح ناحيه LAA در تمامي 545 تصوير بررسي ‌شده با IoU ميانگين 99/37% بود. نتيجه‌گيري: الگوريتم پيشنهادي مبتني بر تصوير، در اين مطالعه دقت بالايي در تشخيص حدود LAA در تصاوير اكوكارديوگرافي نشان داد. اين روش مي‌تواند در توسعه الگوريتم‌ها براي تجزيه‌وتحليل خودكار ناحيه LAA جهت تعيين اندازه دستگاه و برنامه‌ريزي رويه‌اي در روش‌هاي انسداد LAA مورد استفاده باشد.

Introduction: Cardiovascular diseases are one of the leading causes of mortality in today’s industrial world. Occlusion of left atrial appendage (LAA) using the manufactured devices is a growing trend. The objective of this study was to develop a computer-aided diagnosis system for the identification of LAA in echocardiographic images. Method: The data used in this descriptive analytical study included 3D echocardiographic images of the heart of 32 patients in King’s College Hospital in London. All patients were treated successfully using the LAA closure device. A total of 208 two-dimensional images were first obtained from each 3D echocardiographic image data set. Then, 1914 images in which the LAA region was clearly recognizable were selected for this study. The proposed neural network was compiled based on the YOLOv3 algorithm. Finally, 1369 and 545 images were used for training and testing the algorithm, respectively. Results: The performance of the algorithm in detecting the LAA on a set of 545 images was compared with the regions detected in similar images by an expert in echocardiography through intersection over unio‎n (IOU). The algorithm was able to correctly identify the LAA region in all 545 examined images with an average IOU of 99.37%. Conclusion: The proposed image-based algorithm could detect LAA region in echocardiographic images with a high accuracy. This method can be used to develop algorithms for automatic analysis of the LAA region to determine the size of the closure device and to plan an efficient procedure in LAA occlusion methods.