SEGMENTAÇÃO DE ARTÉRIAS CORONÁRIAS EM IMAGENS DE ANGIOGRAFIA POR TOMOGRAFIA COMPUTADORIZADA UTILIZANDO REDES NEURAIS CONVOLUCIONAIS 3D

Esbel Tomas Valero Orellana; Marcelo Ossamu Honda; Paulo Eduardo Ambrósio; Cleviton Borges de Jesus; Allan de Medeiros Martins; Dany Sanchez Dominguez

doi:10.14295/vetor.v34i2.18531

Autores

Esbel Tomas Valero Orellana UNIVERSIDADE ESTADUAL DE SANTA CRUZ https://orcid.org/0000-0002-4087-2722
Marcelo Ossamu Honda Universidade Estadual de Santa Cruz https://orcid.org/0000-0001-9008-2211
Paulo Eduardo Ambrósio Universidade Estadual de Santa Cruz https://orcid.org/0000-0002-6043-3591
Cleviton Borges de Jesus Centro de Pesquisa e Desenvolvimento Tecnológico em Informática e Eletroeletrônica https://orcid.org/0009-0007-4009-3968
Allan de Medeiros Martins Centro de Pesquisa e Desenvolvimento Tecnológico em Informática e Eletroeletrônica de Ilhéus
Dany Sanchez Dominguez Universidade Estadual de Santa Cruz https://orcid.org/0000-0002-0640-2970

DOI:

https://doi.org/10.14295/vetor.v34i2.18531

Palavras-chave:

Artéria coronária, Segmentação, Aprendizado profundo, Auxílio ao diagnóstico, Imagens médicas

Resumo

A doença arterial coronariana (DAC) é a principal causa de morte por doenças cardiovasculares no mundo. A avaliação precisa do risco de DAC é crucial para a prevenção. A angiografia por tomografia computadorizada (ATC) é um método não invasivo amplamente utilizado para diagnosticar a DAC. A segmentação precisa das artérias coronárias nas imagens de ATC é fundamental para quantificar a doença e auxiliar no diagnóstico. Neste estudo, avaliamos um conjunto de imagens de ATC disponibilizado pelo projeto ImageCAS e comparamos diferentes algoritmos de segmentação, incluindo um método de segmentação direta proposto. Avaliamos o desempenho dos algoritmos utilizando o índice de dice score, comparando os resultados com um padrão de referência (ground truth). Experimentamos diferentes resoluções de imagem para analisar o impacto no desempenho e no consumo de recursos computacionais. Além disso, propomos um método de ensemble para combinar os resultados de diferentes algoritmos, visando melhorar a precisão da segmentação. Os resultados obtidos demonstram que o método de ensemble proposto alcança um desempenho superior em comparação com os algoritmos individuais.

Downloads

Não há dados estatísticos.

Referências

World Heart Federation, “World heart report 2023: Confronting the world’s number one killer,” World Heart Federation, Geneva, Switzerland, Relatório técnico, 2023. Disponível em: https://www.world-heart-federation.org/world-heart-report/

W. Huang, L. Huang, Z. Lin, S. Huang, Y. Chi, J. Zhou, J.-M. Zhang, ru san tan, e L. Zhong, “Coronary artery segmentation by deep learning neural networks on computed tomographic coronary angiographic images,” em Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2018, pp. 608–611. Disponível em: https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8512328

A. Colombo e F. Giannini, “Is it time to replace conventional angiography with coronary computed tomography?” European Heart Journal, vol. 39, no. 41, pp. 3699–3700, 2018. Disponível em: https://doi.org/10.1093/eurheartj/ehy578

Q. Xie, L. Zhou, Y. Li, R. Zhang, H. Wei, G. Ma, Y. Tang, e P. Xiao, “Comparison of prognosis between coronary computed tomography angiography versus invasive coronary angiography for stable coronary artery disease: a systematic review and meta-analysis,” Frontiers in Cardiovascular Medicine, vol. 10, p. 1010536, 2023. Disponível em: https://doi.org/10.3389/fcvm.2023.1010536

A. Zeng, C. Wu, G. Lin, W. Xie, J. Hong, M. Huang, J. Zhuang, S. Bi, D. Pan, N. Ullah, K. N. Khan, T. Wang, Y. Shi, X. Li, e X. Xu, “ImageCAS: A large-scale dataset and benchmark for coronary artery segmentation based on computed tomography angiography images,” Computerized Medical Imaging and Graphics, vol. 109, p. 102287, 2023. Disponível em: https://doi.org/10.1016/j.compmedimag.2023.102287

A. Rouhollahi, J. N. Willi, S. Haltmeier, A. Mehrtash, R. Straughan, H. Javadikasgari, J. Brown, A. Itoh, K. I. de la Cruz, E. Aikawa, E. R. Edelman, e F. R. Nezami, “CardioVision: A fully automated deep learning package for medical image segmentation and reconstruction generating digital twins for patients with aortic stenosis,” Computerized Medical Imaging and Graphics, vol. 109, p. 102289, 2023. Disponível em: https://doi.org/10.1016/j.compmedimag.2023.102289

Y. Shen, Z. Fang, Y. Gao, N. Xiong, C. Zhong, e X. Tang, “Coronary Arteries Segmentation Based on 3D FCN with Attention Gate and Level Set Function,” IEEE Access, vol. 7, pp. 42 826–42 835, 2019. Disponível em: https://doi.org/10.1109/ACCESS.2019.2908039

O. Ronneberger, P. Fischer, e T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” em Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, 2015, pp. 234–241, arXiv: 1505.04597. Disponível em: http://arxiv.org/abs/1505.04597

C. Huang, H. Han, Q. Yao, S. Zhu, e S. K. Zhou, “3D U-Net: A 3D Universal U-Net for Multi-Domain Medical Image Segmentation,” em Medical Image Computing and Computer Assisted Intervention – MICCAI 2019, 2019, pp. 291–299, arXiv: 1909.06012. Disponível em: http://arxiv.org/abs/1909.06012