خصوصیات پلاک های آترواسکلروتیک کرونر

خصوصیات پلاک های آترواسکلروتیک کرونر

  

اجزای مختلف پلاک های آترواسکلروتیک عروق کرونر با مکانیسم های مختلف مطابقت دارند و منجر به نتایج مختلف می شوند [21]. بنابراین ، شناسایی دقیق اجزای پلاک برای درمان پیگیری ضروری است. چندین مطالعه قبلی به طور خودکار اجزای پلاک را شناسایی کرده اند.

در زمینه امتحانات غیر تهاجمی ، Zreik [22] و Rajendra [23] مدلهای آموزشی را برای شناسایی کلسیفیکاسیون پلاک در CCTA به طور خودکار تهیه کرده اند. اولی از یک شبکه عصبی مکرر چند کاره (RCNN) برای تهیه یک مدل ML برای توصیف خصوصیات پلاک آترواسکلروتیک و تنگی عروق کرونر استفاده می کند. از تصاویر CCTA از 81 ، 17 و 65 بیمار برای آموزش مدل ، اعتبار سنجی و آزمایش استفاده شد. دقت این مدل برای خصوصیات پلاک (کلسیفیکاسیون ، بدون کلسیفیکاسیون ، اختلاط ، بدون پلاک) 0.77 بود [22]. دومی به دقت بالاتری رسید. وی اثربخشی الگوریتم های مختلف ML و شبکه های عصبی احتمالی (PNN) را مقایسه کرد و بهترین دقت 0.89 را بدست آورد [23].

Masuda و همکارانش مدلی را برای ترکیب ML با یک هیستوگرام برای تشخیص ویژگی های پلاک های آترواسکلروتیک عروق کرونر (پلاک های فیبری ، پلاک های چرب) در CCTA ارائه دادند. این مدل مساحت قابل توجهی بالاتر از منحنی را نسبت به روش سنتی نشان می دهد (مساحت زیر منحنی 0.92 و 95 ٪ ، فاصله اطمینان 0.86-0.92 در مقابل 0.83 و 0.75-0.92 ، P = 0.001) [24]. یاماک و همکاران. یک مدل تحت نظارت را با استفاده از پلاک های فانتوم آلی ساخته شده از پلی اتیلن با چگالی کم (LDPE) و پلی اتیلن با چگالی بالا (HDPE) آموزش داده است. از تصاویر پلاک از یک سی تی اسکن دو انرژی به عنوان داده های آموزشی استفاده شده است ، و این مدل توانایی شناسایی پلاک لیپیدها و کلسیم شده را با تجزیه و تحلیل اعتبار سنجی در تصاویر اسکن عروق کرونر از سه بیمار نشان داده است [25].

در زمینه امتحانات تهاجمی ، کیم [26] و ورق [27] سعی در شناسایی قطعات پلاک در تصاویر IVUS به طور خودکار داشتند. کیم شش ویژگی بافت تصویر را از تصاویر IVUS استخراج کرد ، پس از آن از یک مدل طبقه بندی شبکه سه سطحی برای طبقه بندی پلاک کرونر به بافت فیبری (FT) ، بافت چربی فیبرو (FFT) ، Necrotic COR (NC) و کلسیم متراکم استفاده شد. (DC) بر اساس بافت تصویر. این روش در تمایز بین گروه های FT/FFT و NC/DC حساسیت نسبتاً بالایی (82.0 ٪) و ویژگی (1/87 ٪) به دست آورد [26]. ورق و همکاران. یک تکنیک مبتنی بر یادگیری ماشین به نام Histology Stochastic Driven (SDH) ایجاد کرد ، که می تواند به طور خودکار اجزای تصویر را در تصاویر IVUS مشخص کند. تجزیه و تحلیل اعتبار سنجی نشان داد که SDH با بافت شناسی سنتی در توصیف کلسیفیکاسیون ، بافت فیبروتیک و لیپیدها با دقت 99 ٪ ، 97 ٪ و 99 ٪ دقت دارد [27].

مطالعات زیادی در OCT انجام شده است. شالف [28] و Xu [29] از یک دستگاه بردار پشتیبانی (SVM) برای شناسایی اجزای پلاک در اکتبر استفاده کردند. شالف با استفاده از داده های میکروسکوپی منجمد ، مدل را آموزش داده و تأیید کرد ، و صحت تشخیص پلاک کلسیفیک شده 0.97 به دست آورد. Xu از طبقه بندی کننده خطی SVM برای تشخیص اشیاء ناسالم استفاده کرد. بر این اساس ، ژو [30] از داده های بیشتری و مدل های بهبود یافته برای شناسایی پلاک های لیپید و پلاک های مختلط استفاده کرد و به ترتیب به ترتیب 91.5 ٪ و 78.1 ٪ رسید. مدل [31] Kolluru همچنین روی تصاویر یخ زده آموزش داده شده است تا پلاک ها را در OCT به چهار دسته ، فیبر ، لیپید ، کلسیم و سایر موارد طبقه بندی کند. تصاویر OCT با تصاویر منجمد برای استخراج ویژگی ها جفت شدند ، پس از آن اعتبار سنجی متقاطع پنج برابر در مجموعه داده های آموزش برای بهینه سازی پارامترهای طبقه بندی کننده انجام شد. این مدل به یک مقدار دقت رسیده است که در همه دسته ها از 90 ٪ فراتر رفته است. Rico-Jimenez [32] یک روش مدل سازی A-Line را برای توصیف پلاک ها در OCT ارائه داد ، که می تواند به طور خودکار پلاک های فیبروتیک و پلاک های حاوی لیپید را با دقت 85 ٪ شناسایی کند. ویلسون و همکاران. [33] یک شبکه عصبی حلقوی (CNN) در شناسایی خصوصیات پلاک در تصاویر OCT با استفاده از روش های مدل سازی مبتنی بر خط ایجاد کرد ، و این را می آموزد که CNN می تواند به طور قابل توجهی در این کار بهتر عمل کند. پس از آن ، آنها روشی را مبتنی بر شبکه یادگیری عمیق Segnet ارائه دادند و ثابت کردند که عملکرد مدل در مقایسه با روش قبلی به طور قابل توجهی بهبود یافته است [34]. Athanasiou [35] و Ughi [36] از طبقه بندی کننده Random Forest (RF) برای طبقه بندی پلاک های آترواسکلروتیک (کلسیم ، استخرهای لیپیدی ، بافت فیبری و پلاکهای مختلط) با دقت 80.41 ٪ و 81.5 ٪ استفاده کردند.