Возможности применения нейросетей в оценке результатов внутрисосудистого ультразвукового исследования (обзор литературы)
Аннотация
В обзоре рассмотрен опыт применения нейросетей в оценке результатов внутрисосудистых ультразвуковых исследований (выявление нестабильных бляшек, выделение просвета и слоев стенки сосуда, прогнозирование фракционного резерва кровотока).
Об авторах
П. Г. Мадонов
ФГБОУ ВО «Новосибирский государственный медицинский университет» Минздрава России
Россия
Россия
Мадонов Павел Геннадьевич — доктор медицинских наук, профессор, заведующий кафедрой фармакологии, клинической фармакологии и доказательной медицины
Новосибирск
Л. Д. Хидирова
ФГБОУ ВО «Новосибирский государственный медицинский университет» Минздрава России
Россия
Россия
Хидирова Людмила Даудовна — доктор медицинских наук, доцент кафедры фармакологии, клинической фармакологии и доказательной медицины
630091, г. Новосибирск, Красный просп., 52
Е. А. Ковалёв
ФГБОУ ВО «Новосибирский государственный медицинский университет» Минздрава России
Россия
Россия
Ковалёв Евгений Александрович — студент VI курса
Новосибирск
Список литературы
1. Prajapati B.B., Parikh S.M., Pafel J.M. Effective healthcare services by IoT-based model of voluntary doctors // Data Science and Big Data Analytics. Lecture Notes on Data Engineering and Communications Technologies / D. Mishra, X.S. Yang, A. Unal (eds). Springer, Singapore, 2019. Vol. 16.
2. Яхонтов Д.А. Доказательная медицина в вопросах и ответах. Новосибирск, 2012. 326 с.
3. Benjamens S., Dhunnoo P., Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database // npj Digit. Med. 2020. Vol. 3 (1): 118. doi: 10.1038/s41746-020-00324-0.
4. FDA. Artificial intelligence and machine learning in software as a medical devices? URL: https://www.fda.gov/medical-devices/softwaremedical-devicesamd/artificial-intelligence-and-machine-learningsoftwaremedical-device#regulation. Дата обращения: 17.03.2021.
5. Mincholе A., Rodriguez B. Artificial intelligence for the electrocardiogram // Nat. Med. 2019. Vol. 25 (1). P. 22–23. doi: 10.1038/s41591-018-0306-1.
6. Bae Y., Kang S.J., Kim G. et al. Prediction of coronary thin-cap fibroatheroma by intravascular ultrasoundbased machine learning // Atherosclerosis. 2019. Vol. 288. P. 168–174. doi: 10.1016/j.atherosclerosis.2019.04.228.
7. Jun T.J., Kang S.J., Lee J.G. et al. Automated detection of vulnerable plaque in intravascular ultrasound images // Med. Biol. Eng. Comput. 2019. Vol. 57 (4). P. 863–876. doi: 10.1007/s11517-018-1925-x.
8. Cao Y., Xiao X., Liu Z. et al. Detecting vulnerable plaque with vulnerability index based on convolutional neural networks // Comput. Med. Imaging Graph. 2020. Vol. 81: 101711. doi: 10.1016/j.compmedimag.2020.101711.
9. Lo Vercio L., Del Fresno M., Larrabide I. Lumen-intima and media-adventitia segmentation in IVUS images using supervised classifications of arterial layers and morphological structures // Comput. Methods Programs Biomed. 2019. Vol. 177. P. 113–121. doi: 10.1016/j.cmpb.2019.05.021.
10. Wang Y.Y., Qiu C.H., Jiang J., Xia S.R. Detecting the media-adventitia border in intravascular ultrasound images through a classification-based approach // Ultrason. Imaging. 2019. Vol. 41 (2). P. 78–93. doi: 10.1177/0161734618820112.
11. Yang J., Faraji M., Basu A. Robust segmentation of arterial walls in intravascular ultrasound images using Dual Path U-Net // Ultrasonics. 2019. Vol. 96. P. 24–33.
12. Xia M., Yan W., Huang Y. et al. Extracting membrane borders in IVUS images using a multi-scale feature aggregated U-Net // Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. 2020. P. 1650–1653. doi: 10.1109/EMBC44109.2020.9175970.
13. Papaioannou T.G., Schizas D., Vavuranakis M. et al. Quantification of new structural features of coronary plaques by computational post-hoc analysis of virtual histology-intravascular ultrasound images // Comput. Methods Biomech. Biomed. Engin. 2014. Vol. 17. P. 643–651. https://doi.org/10.1080/10255842.2012.713940.
14. Lee J.G., Ko J., Hae H et al. Intravascular ultrasoundbased machine learning for predicting fractional flow reserve in intermediate coronary artery lesions // Atherosclerosis. 2020. Vol. 292. P. 171–177.
Рецензия
Для цитирования:
Мадонов П.Г., Хидирова Л.Д., Ковалёв Е.А. Возможности применения нейросетей в оценке результатов внутрисосудистого ультразвукового исследования (обзор литературы). Journal of Siberian Medical Sciences. 2021;(2):127-135.
For citation:
Madonov P.G., Khidirova L.D., Kovalev E.A. Possibilities of neural networks application in assessing the results of intravascular ultrasound (literature review). Journal of Siberian Medical Sciences. 2021;(2):127-135. (In Russ.)
Просмотров:
251
Послать статью по эл. почте 