Chẩn đoán bệnh động mạch vành dựa trên ảnh cực SPECT sử dụng mạng nơ-ron đồ thị
Từ khóa:
Chụp cắt lớp phát xạ đơn photon (SPECT), Bệnh động mạch vành, xạ hình tưới máu cơ tim (MPI), Mạng nơ-ron đồ thị (GNN)Tóm tắt
Bệnh động mạch vành đang là một trong những nguyên nhân hàng đầu gây tử vong trên thế giới. Hiện nay, chụp xạ hình tưới máu cơ tim (MPI) bằng máy chụp cắt lớp phát xạ đơn photon (SPECT) là phương pháp tiên tiến đang được sử dụng để phát hiện và chẩn đoán các tổn thương cơ tim. Việc xây dựng các mô hình học máy phục vụ hỗ trợ chẩn đoán bệnh là cần thiết nhằm tiết kiệm thời gian và gia tăng độ chính xác trong chẩn đoán. Trong bài báo này, nhóm tác giả đề xuất mạng nơ-ron đồ thị giúp hỗ trợ chẩn đoán các tổn thương cơ tim. Dữ liệu ảnh được biểu diễn thành đồ thị sử dụng thuật toán phân cụm pixel. Đồ thị được đưa vào mạng để huấn luyện, trích xuất đặc trưng và đưa ra kết quả chẩn đoán. Kết quả, các mô hình thử nghiệm lần lượt cho độ chính xác như sau: GCN: 79.34%; GatedGCN 78.45%; GAT: 76.42%; MoNet: 80.1%
Tài liệu tham khảo
LeCun Y, Bengio Y, Hinton G, “Deep learning,” Nature, 521 (2015), pp. 436-444, doi: 10.1038/nature14539.
Shen D, Wu G, Suk H-I, “Deep learning in medical image analysis,” Annu Rev Biomed Eng, 19 (2017), pp: 221–248, doi: 10.1146/annurev-bioeng-071516-044442.
Andree Esteva, Brett Kuprel, Roberto A. Novoa, Justin Ko, Susan M. Swetter, Helen M. Blau & Sebastian Thrun, “Derma-tologist-level classification of skin cancer with deep neural networks,” Nature, 542 (2017), pp: 115–118, doi: 10.1038/nature21056.01.
Julian Betancur et. al., “Deep Learning for Prediction of Obstructive Disease from Fast Myocardial Perfusion SPECT,” JACC: Cardiovascular Imaging, vol. 11(11) (2018), pp. 1654-1663.
Duvenaud, David, et al, "Convolutional networks on graphs for learning molecular fingerprints," arXiv preprint arXiv:1509.09292 (2015).
Cranmer, Miles D., et al, "Learning symbolic physics with graph networks," arXiv preprint arXiv:1909.05862 (2019).
Kipf, Thomas N., and Max Welling, "Semi-supervised classification with graph convolutional networks," arXiv preprint arXiv:1609.02907 (2016).
Monti F, Boscaini D, Masci J, Rodola E, Svoboda J, Bronstein MM, “Geometric deep learning on graphs and manifolds using mixture model CNNs,” In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE (2017).
Veličković, Petar, et al, "Graph attention networks," arXiv preprint arXiv:1710.10903 (2017).
Bresson, Xavier, and Thomas Laurent, "Residual gated graph convnets," arXiv preprint arXiv:1711.07553 (2017).
Dwivedi, Vijay Prakash, et al, "Benchmarking graph neural networks," arXiv preprint arXiv:2003.00982 (2020).
Achanta R, Shaji A, Smith K, Lucchi A, Fua P, Süsstrunk S, “SLIC superpixels compared to state-ofthe-art superpixel methods,” IEEE Trans Pattern Anal Mach Intell, (2012) ;34(11):2274-2282.
