تدریس آناتومی با شکوفه ساتری

قلب انسان

جزئیات

سیستم گردش خون

شریان آئورت، [a] تنه ریوی و شریان‌های ریوی راست و چپ، [b] شریان کرونری راست، شریان کرونر اصلی چپ[c]

ورید ورید اجوف فوقانی، ورید اجوف تحتانی، [d] وریدهای ریوی راست و چپ، [e] ورید قلب بزرگ، ورید قلب میانی، ورید قلبی کوچک، وریدهای قلبی قدامی[f]

عصب شتاب دهنده عصبی، عصب واگ

آزمایش ها و روش های مربوط به قلب

آزمایش ها و روش های مربوط به قلب

جراحی قلب · مداخله ای قلب · آزمایشات و روش های تشخیصی قلب · تصویربرداری قلب

عمل جراحی

دریچه های قلب

و سپتوم

تعمیر دریچه تعمیر دریچه میترال دریچه آئورت میترال تعویض دریچه آئورت تعمیر دریچه آئورت تعویض دریچه آئورت روش راس تعویض دریچه آئورت از راه پوست تعویض دریچه میترال کاشت دریچه ریوی از راه پوست

ایجاد نقص سپتوم در بزرگ شدن قلب نقص سپتوم موجود.

شنت از اتاق قلب به رگ خونی دهلیز تا شریان ریوی روش فونتان بطن چپ به آئورت روش راستلی بطن راست به شریان ریوی سانو شانت

رویه های ترکیبی برای جابجایی عروق بزرگ عملیات سوئیچ شریانی رویه خرطومی رویه سنینگ برای نقص تک بطنی رویه نوروود رویه کاواشیما

شنت از رگ خونی به رگ خونی گردش خون سیستمیک به شنت شریان ریوی Blalock-Taussig shuntSVC به روش PA Glenn سمت راست

عروق قلبی

CHD آنژیوپلاستی بای پس / بای پس عروق کرونر MIDCABO-off-pump CABTECAB

استنت کرونری استنت برهنه فلزی استنت شستشو دهنده دارو

روش Bentall جایگزینی ریشه آئورت حفظ کننده دریچه

مانور LeCompte

دیگر

پریکارد پریکاردیوسنتز پنجره پریکارد پریکاردکتومی

میوکارد کاردیومیوپلاستی روشDor میکتومی سپتال کاهش بطنی ابلیشن سپتوم الکلی

سیستم هدایت ماز رویه کاکس ماز و مینی‌ماز فرسایش کاتتر کریوابلاسیون فرکانس رادیویی فرسایش ضربان ساز درج S-ICD کاشت کاشتICD

انسداد زائده دهلیز چپ کاردیوتومی پیوند قلب

تست ها

الکتروفیزیولوژی الکتروکاردیوگرافی وکتور کاردیوگرافی هولتر مانیتور ضبط کننده حلقه قابل کاشت تست استرس قلبی پروتکل بروس مطالعه الکتروفیزیولوژی

تصویربرداری قلب آنژیوکاردیوگرافی اکوکاردیوگرافی TTETEEMتصویربرداری پرفیوژن قلب و عروق MRI ونتریکولوگرافی بطن رادیونوکلئید کاتتریزاسیون قلب / کاتتریزاسیون عروق کرونر قلب CTC قلب PET

فونوکاردیوگرام صوتی

تست های عملکردی

کاردیوگرافی امپدانس بالیستوکاردیوگرافی کاردیوتوکوگرافی

قدم زدن

کاردیوورژن ضربان‌سازی از راه پوست

تصویربرداری از قلب

فهرست

1 نشانه ها

2 اکوکاردیوگرافی

3 تصویربرداری رزونانس مغناطیسی (MRI)

4 توموگرافی کامپیوتری (CT)

4.1 آنژیوگرافی توموگرافی کامپیوتری کرونر (CCTA)

4.2 سی تی اسکن کلسیم عروق کرونر

5 تصویربرداری پزشکی هسته ای

5.1 توموگرافی گسیل پوزیترون (PET)

5.2 توموگرافی کامپیوتری انتشار تک فوتون (SPECT)

6 تکنیک های تصویربرداری تهاجمی قلب مرتبط

6.1 کاتتریزاسیون کرونر

6.1.1 سونوگرافی داخل عروقی

6.1.2 FFR

تصویربرداری قلب

تصویربرداری قلب به تصویربرداری غیر تهاجمی قلب با استفاده از سونوگرافی، تصویربرداری تشدید مغناطیسی (MRI)، توموگرافی کامپیوتری (CT) یا تصویربرداری پزشکی هسته ای (NM) با PET یا SPECT اشاره دارد. این تکنیک‌های قلبی به‌عنوان اکوکاردیوگرافی، ام‌آر‌آی قلب، سی‌تی‌سی‌تی قلب، پت قلبی و اسپکت قلبی از جمله تصویربرداری پرفیوژن میوکارد نامیده می‌شوند.

هوش مصنوعی برای تصویربرداری پزشکی

چرا هوش مصنوعی برای تصویربرداری پزشکی امیدوارکننده است؟

یکی از تعریف‌های هوش مصنوعی «علم ساخت ماشین‌ها برای انجام کارهایی است که می‌توان آن‌ها را زمانی که توسط انسان انجام می‌شد هوشمند در نظر گرفت»، اگرچه «هوش» خود را می‌توان اصطلاحی با تعریف ضعیف در نظر گرفت [41]. برنامه های کاربردی هوش مصنوعی به طور فزاینده ای برای حل مشکلات در مراقبت های بهداشتی و پزشکی مورد استفاده قرار می گیرند، همانطور که با افزایش تعداد مطالعات با استفاده از کلمات کلیدی مانند "هوش مصنوعی" یا مراجع روش شناختی "یادگیری ماشینی" (ML) و "یادگیری عمیق" (DL) نشان داده شده است. 16]. اولی به توسعه مدل هایی اشاره دارد که در آن متغیرهای ورودی از پیش تعریف شده اند، به عنوان مثال. استفاده از متغیرهای بالینی، تست استرس و تصویربرداری برای پیش‌بینی حوادث نامطلوب قلبی (MACE) [8]. نوع دوم یادگیری مبتنی بر کشف ذاتی ویژگی‌های مهم در یک مجموعه مدل چندلایه است، به عنوان مثال. استفاده از تصاویر اکوکاردیوگرافی برای طبقه بندی نمای [37].

هدف محققان هوش مصنوعی توسعه و آموزش مدل های خودآموز است. این مدل‌ها شناسایی روابط پیچیده بین یک ورودی داده شده و نتیجه متناظر نمونه‌های متعدد را دنبال می‌کنند. همانطور که قبلا اشاره شد، تعریف هوش مصنوعی بین متخصصان متفاوت است، اما همه آنها به اجرای یک ویژگی مشخص انسانی در مدل ها اشاره می کنند: بهره برداری از تجربه قبلی برای افزایش دانش در مورد نحوه انجام یک کار به منظور افزایش تصمیم گیری در آینده. 55].

مفهوم استفاده از هوش مصنوعی در تصویربرداری پزشکی به دلایل متعددی جذاب است. اول از همه، آشکار می‌شود که مجموعه داده‌های تصویری داده‌های بسیار مفیدتری نسبت به آنچه که یک انسان معمولاً می‌تواند پردازش کند، در خود جای داده است. ثانیاً، کارهای ساده، مانند ترسیم خطوط و اندازه‌گیری‌های بعدی، می‌توانند توسط رایانه‌ها به طور مداوم، بدون وقفه و چندین برابر سریع‌تر از انسان انجام شوند. اگرچه توسعه مدل‌های مفید ML زمان می‌برد، اما فرض بر این است که پیاده‌سازی هوش مصنوعی پزشکان را قادر می‌سازد تا کارآمدتر کار کنند [9، 15].

برای تصویربرداری پزشکی، هوش مصنوعی بر تمام مراحل زنجیره تصویربرداری تأثیر می گذارد (شکل 1). اولین قدم، پشتیبانی تصمیم برای انتخاب روش تصویربرداری تشخیصی مناسب است. در حال حاضر، مراقبت های بهداشتی به طور مداوم به سمت تصمیم گیری مبتنی بر شواهد و استفاده از دستورالعمل ها پیش می رود. ابزارهای پشتیبانی تصمیم گیری مبتنی بر هوش مصنوعی می توانند در انتخاب مناسب ترین تست تصویربرداری برای بیماران فردی کمک کنند. علاوه بر این، فروشندگان در حال حاضر اولین محصولات تجاری را می فروشند که ML را در طول معاینه یک بیمار پیاده سازی می کنند [24، 37]. پس از اکتساب، هوش مصنوعی در بازسازی تصویر (مانند استفاده از توموگرافی کامپیوتری با دوز پایین، CT، برای به دست آوردن بازسازی آناتومیکی بهینه [72])، تفسیر و تشخیص تصویر (مثلاً تشخیص انفارکتوس میوکارد به کمک کامپیوتر، MI، در اکوکاردیوگرافی [72]) اجرا می‌شود. 60]). مرحله نهایی در زنجیره تصویربرداری، شناسایی اطلاعات پیش آگهی و پیش بینی مربوطه از تصویربرداری قلبی است (به عنوان مثال پیش بینی پیامد نامطلوب در بیماران مبتلا به فشار خون ریوی [17]).

هوش مصنوعی در تصویربرداری قلب و عروق: وضعیت هنر و مفاهیم برای متخصص قلب تصویربرداری

هوش مصنوعی در تصویربرداری قلب و عروق: وضعیت هنر و مفاهیم برای متخصص قلب تصویربرداری

خلاصه

مراقبت های بهداشتی، به طور قابل تصور، بیش از هر حوزه دیگری از تلاش های انسانی، دارای بیشترین پتانسیل برای تحت تاثیر قرار گرفتن توسط هوش مصنوعی (AI) است. این پتانسیل توسط چندین گزارش نشان داده شده است که عملکرد برابر یا فوق بشری را در وظایف پزشکی که هدف آنها بهبود کارایی، تشخیص و پیش آگهی است، نشان می دهد. این بررسی بر روی وضعیت هنر کاربردهای هوش مصنوعی در تصویربرداری قلب و عروق تمرکز دارد. این یک نمای کلی از برنامه‌های کاربردی و مطالعات انجام‌شده فعلی، از جمله ارزش بالقوه، پیامدها، محدودیت‌ها و جهت‌های آینده هوش مصنوعی در تصویربرداری قلبی عروقی را ارائه می‌کند.

پیش‌بینی می‌شود که هوش مصنوعی شیوه‌ی طبابت پزشکان را به طرز چشمگیری تغییر دهد. در کوتاه مدت، به پزشکان در انجام کارهای آسان، مانند خودکارسازی اندازه‌گیری‌ها، پیش‌بینی‌های مبتنی بر داده‌های بزرگ، و قرار دادن یافته‌های بالینی در یک زمینه مبتنی بر شواهد کمک می‌کند. در درازمدت، هوش مصنوعی نه تنها به پزشکان کمک می‌کند، بلکه این پتانسیل را دارد که دسترسی به داده‌های سلامتی و سلامتی بیماران و مراقبان آنها را به میزان قابل توجهی بهبود بخشد. این به بیماران توانمند می شود. از دیدگاه یک پزشک، کمک قابل اعتماد هوش مصنوعی برای حمایت از تصمیم گیری بالینی در دسترس خواهد بود. اگرچه تعداد مطالعات قلبی عروقی که هوش مصنوعی را پیاده‌سازی می‌کنند در حال افزایش است، برنامه‌های کاربردی تازه شروع به نفوذ به مراقبت‌های بالینی معاصر کرده‌اند.

معرفی

هر سال، بیشتر و بیشتر بررسی های تصویربرداری قلب انجام می شود [52]. این امر تحت تأثیر عوامل متعددی مانند افزایش پذیرش تصویربرداری است که در طول سال‌ها نقش فزاینده‌ای در تشخیص، مدیریت و نظارت بر نتیجه درمان ایفا کرده است. علاوه بر این، تصویربرداری به طور گسترده‌تری در دسترس قرار گرفته است و تجهیزات تصویربرداری نه تنها دقیق‌تر، بلکه سریع‌تر و ارزان‌تر شده‌اند. بهبود کیفیت و تفسیرپذیری مطالعات تصویربرداری نه تنها منجر به افزایش رضایت بیمار شده است، بلکه می تواند به افزایش اطمینان پزشک از منظر بالینی و قانونی منجر شود. از منظر اقتصادی، افزایش جهانی هزینه های مراقبت های بهداشتی تا حدی به افزایش تعداد واحدهای تصویربرداری موجود در بیمارستان و در نتیجه افزایش تعداد مطالعات تصویربرداری انجام شده مربوط می شود [50]. با این حال، گسترش قابلیت های تصویربرداری و تجزیه و تحلیل های بعدی، محدودیت های بهره وری یک متخصص تصویربرداری متوسط ​​را افزایش می دهد. هوش مصنوعی پزشکی (AI) راه حلی برای ارزیابی استاندارد تعداد فزاینده تصاویر پزشکی است. ادبیات علمی نشان می‌دهد که رایانه‌های هوشمندی که از هوش مصنوعی استفاده می‌کنند، می‌توانند راهنمایی و کمک در حین کسب و ارزیابی تصویر ارائه دهند. این به طور بالقوه تأثیر قابل توجهی بر حجم کاری پزشک دارد.

لیزر مادون قرمز دور یا لیزر تراهرتز

لیزر مادون قرمز دور یا لیزر تراهرتز (لیزر FIR، لیزر THz) لیزری با طول موج خروجی بین 30 تا 1000 میکرومتر (فرکانس 0.3 تا 10 تراهرتز)، در باند فرکانسی مادون قرمز دور یا تراهرتز طیف الکترومغناطیسی است.

لیزرهای FIR در طیف سنجی تراهرتز، تصویربرداری تراهرتز و همچنین در تشخیص فیزیک پلاسما فیوژن کاربرد دارند. آنها می توانند برای شناسایی مواد منفجره و عوامل جنگ شیمیایی، با استفاده از طیف سنجی مادون قرمز یا برای ارزیابی چگالی پلاسما با استفاده از تکنیک های تداخل سنجی استفاده شوند.

لیزرهای FIR معمولاً از یک موجبر طولانی (1 تا 3 متر) پر از مولکول‌های آلی گازی، پمپاژ نوری یا از طریق تخلیه HV تشکیل شده‌اند. آنها بسیار ناکارآمد هستند، اغلب به خنک کننده هلیوم، میدان های مغناطیسی بالا نیاز دارند و/یا فقط قابل تنظیم خط هستند. تلاش‌ها برای توسعه جایگزین‌های کوچک‌تر حالت جامد در حال انجام است.

لیزر p-Ge (ژرمانیوم نوع p) یک لیزر مادون قرمز دور قابل تنظیم، حالت جامد است که بیش از 25 سال است که وجود داشته است.[1] این در میدان های الکتریکی و مغناطیسی متقاطع در دمای هلیوم مایع عمل می کند. انتخاب طول موج را می توان با تغییر میدان های الکتریکی/مغناطیسی اعمال شده یا از طریق معرفی عناصر داخل حفره به دست آورد.

لیزر آبشاری کوانتومی (QCL) ساخت چنین جایگزینی است. این یک لیزر نیمه هادی حالت جامد است که می تواند به طور مداوم با توان خروجی بیش از 100 میلی وات و طول موج 9.5 میکرومتر کار کند. یک نمونه اولیه قبلاً نشان داده شده بود.[2] و استفاده بالقوه نشان داده شده است.[3]

یک لیزر مولکولی FIR که به صورت نوری توسط یک QCL پمپ می شود در سال 2016 نشان داده شده است.[4] این لیزر در دمای اتاق کار می کند و از لیزرهای مولکولی FIR که به صورت نوری توسط لیزرهای CO2 پمپ می شوند، کوچکتر است.

لیزرهای الکترون آزاد همچنین می توانند روی طول موج های مادون قرمز بسیار دور عمل کنند.

لیزرهای قفل شده با حالت فمتوثانیه Ti: یاقوت کبود نیز برای تولید پالس های بسیار کوتاهی استفاده می شوند که می توانند به صورت نوری اصلاح شوند تا یک پالس تراهرتز تولید کنند.

گروه آموزشی مهندس شکوفه ساتری

درباره این موضوع پژوهشی

تصویربرداری عملکردی و مولکولی ابزارهای اساسی برای مطالعه مسیرهای بیولوژیکی در انکولوژی، نورولوژی، قلب و عروق و بیماری‌های عفونی هستند. توسعه تکنولوژیکی تصویربرداری زیست پزشکی in-vivo، اسکنرهای چندوجهی ترکیبی (PET/CT، PET/MRI، و SPECT/CT) را برای بررسی این مسیرها به صورت غیر تهاجمی در دسترس قرار داده است. علاوه بر این، اسکنرهای دیجیتال PET به طور گسترده در دسترس هستند و تأثیر بالینی عمیقی دارند. در نهایت، توسعه رویکردهای جدید برای تصویربرداری زیستی، مانند پروتکل‌های اکتساب نوآورانه، ردیاب‌های رادیویی جدید، الگوریتم‌های بازسازی تصویر اصلاح‌شده، و همچنین روش‌های استانداردسازی، کمی‌سازی و پس پردازش، دقت کاوش عمیق جنبه‌های پاتوفیزیولوژیکی مختلف را افزایش می‌دهد. فرآیندهای بیولوژیکی و بیماری ها

پیاده سازی، انتشار و استانداردسازی روش ها در تصویربرداری مولکولی پیش بالینی و بالینی از اهمیت بالایی در جامعه علمی برخوردار است. هدف این موضوع تحقیق، گسترش و به اشتراک گذاشتن پیشرفت‌های فناوری در پزشکی هسته‌ای از طریق مجموعه‌ای از گزاره‌ها، مطالعات اولیه یا شواهد ارزیابی تأثیر بالینی بالقوه رویکردهای نوآورانه به تصاویر، از جمله PET/CT، PET/MRI، و SPECT است. در زمینه های انکولوژیک و غیر سرطانی و همچنین رادیو ردیاب های جدید.

از دست نوشته هایی که رویکردهای نوآورانه به تکنیک های پزشکی هسته ای، از جمله PET/CT، PET/MRI و SPECT پیش بالینی و بالینی را پوشش می دهند، استقبال می شود. به عنوان رویکردهای نوآورانه، ردیاب‌های رادیویی، پروتکل‌های اکتساب، الگوریتم‌های بازسازی تصویر، استانداردسازی، کمی‌سازی و روش‌های پس پردازش در نظر گرفته می‌شوند. تحقیقات اصلی، یادداشت‌های فنی، گزارش‌های کوتاه یا بررسی‌ها هم در بیماری‌های انکولوژیک و هم در بیماری‌های غیر سرطانی، از جمله مغز و اعصاب، قلب و عروق و غیره پذیرفته می‌شوند.

کاربردهای هوش مصنوعی در تصویربرداری پزشکی

کاربردهای هوش مصنوعی در تصویربرداری پزشکی

در حال حاضر، هوش مصنوعی، چه در قالب یادگیری ماشینی سنتی، چه به شکل یادگیری عمیق جدیدتر، انواع دیگر یادگیری، نشان داده شده است که با موفقیت مناطق آسیب شناسی را شناسایی و مشخص می کند، مناطقی از آسیب شناسی یا اندام ها را به طور دقیق تقسیم می کند. اطلاعاتی برای تشخیص، برچسب زدن انواع و مکان های آسیب شناسی و آناتومی، کاهش نویز کوانتومی در تصاویر، و حتی بازسازی تصاویر مقطعی از چندین نما (یا برآمدگی) اطراف بیمار. این مقاله روش‌های هوش مصنوعی موجود را توصیف می‌کند که بهینه‌سازی دوز تشعشع بیمار از تصویربرداری CT را تسهیل می‌کند. کلمه "بهینه سازی" در مقابل کلمه "کاهش" استفاده می شود، زیرا هدف تصویربرداری پزشکی رسیدن به تشخیص دقیق با استفاده از کمترین دوز پرتویی است که دستیابی به آن منطقی است. یعنی سود (یعنی دستیابی به تشخیص دقیق) به حداکثر می رسد و خطر بالقوه (یعنی دوز پرتو یا مواد حاجب یددار برای بیمار) به حداقل می رسد. همانطور که در بخش پایانی این مقاله تاکید خواهد شد، کاهش دوز پرتو یا محیط های یددار به سطحی که تشخیص دقیق آن دشوار است یا نمی توان به دست آورد، نامناسب است، زیرا مراقبت کلی از بیمار را به خطر می اندازد.

شبکه های عصبی و یادگیری عمیق

شبکه های عصبی و یادگیری عمیق

شبکه‌های عصبی مصنوعی مجموعه‌ای از پیش‌گویی‌های ریاضی آبشاری هستند که برای مدل‌سازی آزادانه درخت‌های تصمیم‌گیری پیچیده مغز انسان طراحی شده‌اند. شبکه از تعدادی لایه تشکیل شده است که هر کدام یک وظیفه را در یک سری طولانی از وظایف آبشاری انجام می دهند. عبارت "یادگیری عمیق" برای توصیف یک شبکه عصبی با تعداد زیادی لایه پنهان، علاوه بر لایه های ورودی و خروجی استفاده می شود. در CT، بیشتر برنامه‌های کاربردی یادگیری عمیق از نوعی شبکه عصبی مصنوعی استفاده می‌کنند که به عنوان «شبکه عصبی کانولوشنال» شناخته می‌شود. در طول فرآیند آموزش، داده‌های ورودی به شبکه‌های آبشاری وارد می‌شوند، که هر کدام از مجموعه‌ای از گره‌های عصبی تشکیل شده‌اند که به گره‌های پایین‌دستی متصل هستند که عملکردهای مختلف ریاضی ساده‌ای مانند کانولوشن را انجام می‌دهند. در طول فرآیند، برخی از گره ها و اتصالات گره بریده می شوند و برخی دیگر تقویت می شوند، و وزنه های مرتبط کننده یک گره به گره دیگر به گونه ای تنظیم می شوند که در پایان آموزش، وزن ها یا پارامترهای شبکه عصبی به گونه ای تنظیم شوند که تفاوت بین خروجی شبکه و داده های خروجی ("حقیقت") مورد استفاده برای آموزش برای یک ورودی معین به حداقل می رسد. متعاقباً، داده‌های جدیدی که شبکه قبلاً روی آن‌ها آموزش ندیده است، می‌تواند به شبکه وارد شود تا اطلاعات خروجی به دست آید که به نظر می‌رسد منعکس کننده حقیقت پیش‌بینی شده است. تعداد کلی وزن‌ها در یک شبکه می‌تواند میلیون‌ها نفر باشد، و اگرچه عملیات کانولوشن اساساً خطی است، فرآیند کلی به دلیل وجود توابع فعال‌سازی غیرخطی بسیار غیرخطی می‌شود.