دوره 8، شماره 3 - ( 9-1400 )
جلد 8 شماره 3 صفحات 325-315 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghayoumi Zadeh H, Fayazi A, Rezaee K, Gholizadeh M H, Eskandari M. Segmentation of the Left Atrial Appendage in the Echocardiographic Images of the Heart Using a Deep Neural Network. jhbmi 2021; 8 (3) :315-325
URL: http://jhbmi.ir/article-1-612-fa.html
URL: http://jhbmi.ir/article-1-612-fa.html
قیومی زاده حسین، فیاضی علی، رضایی خسرو، قلی زاده محمدحسین، اسکندری مهدی. جداسازی ناحیه گوشک دهلیز چپ در تصاویر اکوکاردیوگرافی قلب با استفاده از شبکه عصبی عمیق. مجله انفورماتیک سلامت و زیست پزشکی. 1400; 8 (3) :315-325
دکتری مهندسی پزشکی، استادیار، گروه مهندسی برق، دانشگاه ولی‌عصر (عج) رفسنجان، رفسنجان، ایران
چکیده: (2868 مشاهده)
مقدمه: بیماری‌های قلبی و عروقی یکی از علل اصلی مرگ‌ومیر در جهان صنعتی امروز هستند. انسداد گوشک دهلیز چپ با استفاده از دستگاه‌های ساخته شده یک‌روند رو به رشد است. این مطالعه با هدف ایجاد یک سیستم تشخیصی به کمک رایانه برای شناسایی LAA در تصاویر اکوکاردیوگرافی انجام شد.
روش: داده‌های به کار رفته در این مطالعه توصیفی-تحلیلی، تصاویر اکوکاردیوگرافی سه‌بعدی از قلب مربوط به 32 بیمار اخذ شده در بیمارستان کینگز کالج لندن است که تمامی آن‌ها با موفقیت با مسدودکننده درمان شدند. مجموع 208 تصویر دوبعدی به‌دست‌آمده در صفحه محوری از هر مجموعه داده سه‌بعدی به دست آمد. سپس 1914 تصویر که در آن‌ها ناحیه مربوط به LAA به‌وضوح قابل‌تشخیص 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.
نتایج: عملکرد الگوریتم در شناسایی LAA بر روی مجموعه‌ای 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.
نتیجه‌گیری: الگوریتم پیشنهادی مبتنی بر تصویر، در این مطالعه دقت بالایی در تشخیص حدود LAA در تصاویر اکوکاردیوگرافی نشان داد. این روش می‌تواند در توسعه الگوریتم‌ها برای تجزیه‌وتحلیل خودکار ناحیه LAA جهت تعیین اندازه دستگاه و برنامه‌ریزی رویه‌ای در روش‌های انسداد LAA مورد استفاده باشد.
روش: داده‌های به کار رفته در این مطالعه توصیفی-تحلیلی، تصاویر اکوکاردیوگرافی سه‌بعدی از قلب مربوط به 32 بیمار اخذ شده در بیمارستان کینگز کالج لندن است که تمامی آن‌ها با موفقیت با مسدودکننده درمان شدند. مجموع 208 تصویر دوبعدی به‌دست‌آمده در صفحه محوری از هر مجموعه داده سه‌بعدی به دست آمد. سپس 1914 تصویر که در آن‌ها ناحیه مربوط به LAA به‌وضوح قابل‌تشخیص 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.
نتایج: عملکرد الگوریتم در شناسایی LAA بر روی مجموعه‌ای 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.
نتیجه‌گیری: الگوریتم پیشنهادی مبتنی بر تصویر، در این مطالعه دقت بالایی در تشخیص حدود LAA در تصاویر اکوکاردیوگرافی نشان داد. این روش می‌تواند در توسعه الگوریتم‌ها برای تجزیه‌وتحلیل خودکار ناحیه LAA جهت تعیین اندازه دستگاه و برنامه‌ریزی رویه‌ای در روش‌های انسداد LAA مورد استفاده باشد.
واژه‌های کلیدی: اکوکاردیوگرافی، شبکه عصبی عمیق، شبکه عصبی کانولوشن، فیبریلاسیون دهلیزی، گوشک دهلیز چپ قلب
نوع مطالعه: پژوهشي اصیل |
موضوع مقاله:
هوش مصنوعی در حوزه سلامت
دریافت: 1400/4/18 | پذیرش: 1400/8/24
دریافت: 1400/4/18 | پذیرش: 1400/8/24
فایل صوتی [MP3 4970 KB] (52 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
