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
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 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 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.
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.