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

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 توصیفیتحلیلی، 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.

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

Introduction: Cardiovascular diseases are one of the leading causes of mortality in today rsquo;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 computeraided 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 rsquo;s College Hospital in London. All patients were treated successfully using the LAA closure device. A total of 208 twodimensional 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 imagebased 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.