#PAGE_PARAMS# #ADS_HEAD_SCRIPTS# #MICRODATA#

Predikce stability aterosklerotického plátu z transverzálních ultrazvukových obrazů pomocí hlubokého učení


Autoři: J. Kybic 1;  D. Pakizer 2;  J. Kozel 2;  P. Michalčová 2;  F. Charvát 3;  D. Školoudík 3
Působiště autorů: Faculty of Electrical Engineering, Czech Technical University in Prague, Czech Republic 1;  Center for Health Research, Faculty of, Medicine, University of Ostrava, Czech, Republic 2;  Central Military Hospital – Military, University Hospital, Prague, Czech, Republic 3
Vyšlo v časopise: Cesk Slov Neurol N 2024; 87(4): 255-263
Kategorie: Původní práce
doi: https://doi.org/10.48095/cccsnn2024255

Souhrn

Cíl: Automaticky předpovídat stabilitu aterosklerotického plátu v karotidě ze standardních transverzálních ultrazvukových obrazů v B-modu za použití hlubokého učení. Spolehlivý prediktor by snížil potřebu klinických kontrol i farmakologické či chirurgické léčby. Metody: Automaticky byla lokalizována oblast zájmu obsahující karotidu. Adversariální metoda segmentace byla natrénována na kombinaci malého kompletně anotovaného datasetu a většího slabě anotovaného datasetu. Multikriteriální regrese s automatickou adaptací vah byla použita k predikci série klinicky relevantních atributů, vč. nárůstu tloušťky plátu během 3 let. Výsledky: Současnou šíři plátu bylo možno odhadnout s vysokou korelací (ρ = 0,32) a velmi vysokou statistickou signifikancí. Odhadovaný budoucí nárůst šíře plátu byl korelován méně (ρ = 0,22), ale stále statisticky významně (p < 0,01). Korelace mezi automatickým a expertním hodnocením echogenicity, hladkosti a kalcifikací byla ještě nižší. Závěr: Potvrdili jsme závislost mezi vzhledem plátu v ultrazvukovém obraze a pravděpodobností jeho budoucího růstu, ale je příliš slabá, než aby byla využitelná v klinické praxi jako jediný prediktor stability plátu.

Klíčová slova:

ateroskleróza – rizikový faktor – hluboké učení – ultrazvuk – progrese – karotida – zpracování biomedicínského obrazu – regresní analýza


Zdroje

1. Salonen R, Seppänen K, Rauramaa R et al. Prevalence of carotid atherosclerosis and serum cholesterol levels in eastern Finland. Arteriosclerosis 1988; 8 (6): 788–792. doi: 10.1161/01.atv.8.6.788.

2. Svoboda N, Voldřich R, Mandys V et al. Histological analysis of carotid plaques: the predictors of stroke risk. J Stroke Cerebrovasc Dis 2022; 31 (3): 106262. doi: 10.1016/j.jstrokecerebrovasdis.2021.106262.

3. Brinjikji W, Huston J, Rabinstein AA et al. Contemporary carotid imaging: from degree of stenosis to plaque vulnerability. J Neurosurg 2016; 124 (1): 27–42. doi: 10.3171/2015.1.JNS142452.

4. Chen X, Kong Z, Wei S et al. Ultrasound lmaging-vulnerable plaque diagnostics: automatic carotid plaque segmentation based on deep learning. J Radiat Res 2023; 16 (3): 100598. doi: 10.1016/j.jrras.2023.100598.

5. Nicolaides A, Beach KW, Kyriacou E et al. Ultrasound and carotid bifurcation atherosclerosis. London: Springer-Verlag 2013. doi: 10.1007/978-1-84882-688-5.

6. Školoudík D, Kešnerová B, Hrbáč T et al. Vizuální hodnocení a digitální analýza ultrazvukového obrazu u stabilního a progredujícího aterosklerotického plátu v karotické tepně. Cesk Slov Neurol N 2021; 84/117 (1): 38–44. doi: 10.48095/cccsnn202138.

7. Salem MK, Bown MJ, Sayers RD et al. Identification of patients with a histologically unstable carotid plaque using ultrasonic plaque image analysis. Eur J Vasc Endovasc Surg 2014; 48 (2): 118–125. doi: 10.1016/j.ejvs.2014. 05.015.

8. Doonan RJ, Gorgui J, Veinot JP et al. Plaque echodensity and textural features are associated with histologic carotid plaque instability. J Vasc Surg 2016; 64 (3): 671–677.e8. doi: 10.1016/j.jvs.2016.03.423.

9. Brinjikji W, Rabinstein AA, Lanzino G et al. Ultrasound characteristics of symptomatic carotid plaques: a systematic review and meta-analysis. Cerebrovasc Dis 2015; 40 (3–4): 165–174. doi: 10.1159/000437339.

10. Kakkos SK, Nicolaides AN, Kyriacou E et al. Computerized texture analysis of carotid plaque ultrasonic images can identify unstable plaques associated with ipsilateral neurological symptoms. Angiology 2011; 62 (4): 317–328. doi: 10.1177/0003319710384397.

11. D‘Oria M, Chiarandini S, Pipitone MD et al. Contrast Enhanced Ultrasound (CEUS) is not able to identify vulnerable plaques in asymptomatic carotid atherosclerotic disease. Eur J Vasc Endovasc Surg 2018; 56 (5): 632–642. doi: 10.1016/j.ejvs.2018.07.024.

12. Kostelanský M, Manzano-Rodríguez A, Kybic J et al. Differentiating between stable and progressive carotid atherosclerotic plaques from in-vivo ultrasound images using texture descriptors. In: Proceedings of the SPIE 2021; 12088 : 120881L 10. doi: 10.1117/12.2605 795.

13. Školoudík D. Atherosclerotic plaque characteristics associated with a progression rate of the plaque in carotids and a risk of stroke. Clinical trial NCT02360137 (2015). [online]. Available from: https: //clinicaltrials.gov/ct2/ show/NCT02360137.

14. Ren S, He K, Girshick RB et al. Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Trans Pattern Anal Mach Intell 2017; 39 (6): 1137–1149. doi: 10.1109/TPAMI.2016.2577031.

15. Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells W et al. (eds). Medical Image Computing and Computer-Assisted Intervention –⁠ MICCAI 2015. Lecture Notes in Computer Science (LNIP). Freiburg: Springer 2015.

16. He K, Zhang X, Ren S et al. Deep Residual learning for image recognition. In: Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE Xplore 2016 : 770–778. doi: 10.1109/CVPR.2016.90.

17. Goodfellow I, Pouget-Abadie J, Mirza M et al. Generative adversarial nets. In: Ghahramani Z, Welling M, Cortes C et al. (eds). Advances in neural information processing systems, vol. 27. San Francisco: Curran Associates, Inc. 2014.

18. Valvano G, Leo A, Tsaftaris SA. Learning to Segment from scribbles using multi-scale adversarial attention gates. IEEE Trans Med Imaging 2021; 40 (8): 1990–2001. doi: 10.1109/TMI.2021.3069634.

19. Mao X, Li Q, Xie H et al. Least squares generative adversarial networks. In: Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE Xplore 2017 : 2813–2821. doi: 10.1109/ICCV. 2017.304.

20. Cipolla R, Gal Y, Kendall A. Multi-task learning using uncertainty to weigh losses for scene geometry and semantics. In: Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City: IEEE Xplore 2018 : 7482–7491. doi: 10.1109/CVPR.2018.00781.

21. Peng H, Gong W, Beckmann CF et al. Accurate brain age prediction with lightweight deep neural networks. Med Image Anal 2021; 68 : 101871. doi: 10.1016/j.media.2020.101871.

22. Saba L, Sanagala SS, Gupta SK et al. Multimodality carotid plaque tissue characterization and classification in the artificial intelligence paradigm: a narrative review for stroke application. Ann Transl Med 2021; 9 (14): 1206. doi: 10.21037/atm-20-7676.

23. Miceli G, Rizzo G, Basso MG et al. Artificial intelligence in symptomatic carotid plaque detection: a narrative review. Applied Sciences 2023; 13 (7): 4321. doi: 10.3390/ app13074321.

24. Skandha SS, Gupta SK, Saba L et al. 3-D optimized classification and characterization artificial intelligence paradigm for cardiovascular/stroke risk stratification using carotid ultrasound based delineated plaque: Atheromatic™ 2.0. Comput Biol Med 2020; 125 : 103958. doi: 10.1016/j.compbiomed.2020.103958.

25. Svoboda N, Bradac O, Mandys V et al. Diagnostic accuracy of DSA in carotid artery stenosis: a comparison between stenosis measured on carotid endarterectomy specimens and DSA in 644 cases. Acta Neurochir (Wien) 2022; 164 (12): 3197–3202. doi: 10.1007/s00701-022-053 32-5.

Štítky
Dětská neurologie Neurochirurgie Neurologie

Článek vyšel v časopise

Česká a slovenská neurologie a neurochirurgie

Číslo 4

2024 Číslo 4
Nejčtenější tento týden
Nejčtenější v tomto čísle
Kurzy

Zvyšte si kvalifikaci online z pohodlí domova

BONE ACADEMY 2025
nový kurz
Autoři: prof. MUDr. Pavel Horák, CSc., doc. MUDr. Ludmila Brunerová, Ph.D, doc. MUDr. Václav Vyskočil, Ph.D., prim. MUDr. Richard Pikner, Ph.D., MUDr. Olga Růžičková, MUDr. Jan Rosa, prof. MUDr. Vladimír Palička, CSc., Dr.h.c.

Cesta pacienta nejen s SMA do nervosvalového centra
Autoři: MUDr. Jana Junkerová, MUDr. Lenka Juříková

Svět praktické medicíny 2/2025 (znalostní test z časopisu)

Eozinofilní zánět a remodelace
Autoři: MUDr. Lucie Heribanová

Hypertrofická kardiomyopatie: Moderní přístupy v diagnostice a léčbě
Autoři: doc. MUDr. David Zemánek, Ph.D., MUDr. Anna Chaloupka, Ph.D.

Všechny kurzy
Kurzy Podcasty Doporučená témata Časopisy
Přihlášení
Zapomenuté heslo

Zadejte e-mailovou adresu, se kterou jste vytvářel(a) účet, budou Vám na ni zaslány informace k nastavení nového hesla.

Přihlášení

Nemáte účet?  Registrujte se

#ADS_BOTTOM_SCRIPTS#