RDBU| Repositório Digital da Biblioteca da Unisinos

DeepCADD: a deep neural network for automatic detection of coronary artery disease

Show simple item record

metadataTrad.dc.contributor.author Freitas, Samuel Armbrust;
metadataTrad.dc.contributor.authorLattes http://lattes.cnpq.br/3769798668128552;
metadataTrad.dc.contributor.advisor Ramos, Gabriel de Oliveira;
metadataTrad.dc.contributor.advisorLattes http://lattes.cnpq.br/9281736089055094;
metadataTrad.dc.contributor.advisor-co1 Costa, Cristiano André da;
metadataTrad.dc.contributor.advisor-co1Lattes http://lattes.cnpq.br/9637121030877187;
metadataTrad.dc.publisher Universidade do Vale do Rio dos Sinos;
metadataTrad.dc.publisher.initials Unisinos;
metadataTrad.dc.publisher.country Brasil;
metadataTrad.dc.publisher.department Escola Politécnica;
metadataTrad.dc.language pt_BR;
metadataTrad.dc.title DeepCADD: a deep neural network for automatic detection of coronary artery disease;
metadataTrad.dc.description.resumo CONTEXTO: Doenças cardiovasculares representam a causa número um de óbitos no mundo, e inclui a doença mais comum na saúde cardíaca, chamada de doença arterial coronariana (DAC). DAC é causada principalmente pelo acúmulo de gordura no interior das paredes arteriais, criando uma placa aterosclerótica que impacta o comportamento funcional no fluxo sanguíneo. As características anatômicas das placas são essenciais para a correta avaliação funcional das DACs. De fato, não há método único para avaliar todos os segmentos da artéria coronária com alta acurácia. OBJETIVO: O panorama apresentado, evidencia a necessidade de novas técnicas aplicadas em exames de imagem para melhorar a avaliação funcional de doenças arteriais coronárianas, substituindo etapas manuais com detecção automática de lesões. METODOLOGIA: Esse estudo apresenta uma arquitetura de rede neural para detecção de objetos, chamada DeepCADD para determinar a posição da lesão em exames de angiografias em artérias coronárias esquerdas. Usando uma rede neural convolucional baseada em regiões (Mask R-CNN), nós buscamos atingir precisão comparável ao padrão-ouro, automatizndo uma etapa manual no protocolo atual. Nós substituímos o backbone da Mask R-CNN com uma rede ResNet-50 trainada com segmentos de artérias coronárias para melhorar a detecção de pequenos objetos em imagens de angiografia. Nós também trainamos o DeepCADD com angiografias coletadas em uma instituição de saúde local. RESULTADOS: DeepCADD apresentou melhores resultados de sensibilidade em comparação com os estudos relacionados e correlação significante com os especialistas durante a validação, o que sugere seu uso no protocol atual da angiografia. CONCLUSÃO: DeepCADD aumentou a correlação entre os especilistas e proveu sugestões de DAC, especialmente em lesões com vários segmentos afetados, diferenciando a arquitetura proposta da atual literatura. DeepCADD detecta um grande número de candidatos verdadeiros positivos para a posterior quantificação das lesões. Com isso, esperamos expandir o uso do DeepCADD para as demais artérias e para a avaliação dinâmica de lesões em estudos posteriores.;
metadataTrad.dc.description.abstract CONTEXT: Cardiovascular diseases represent the number one cause of death globally, which include the most common disorders in the heart’s health, namely coronary artery disease (CAD). CAD is mainly caused by fat accumulated in the arteries’ internal walls, creating an atherosclerotic plaque that impacts the functional behavior of the blood flow. Anatomical plaque characteristics are essential for a complete functional assessment of CAD. In fact, there is no unique method to assess all the coronary artery segments with high accuracy. OBJECTIVE: Such a panorama evidences the need for new techniques applied to image exams to improve the functional assessment of cardiovascular diseases by replacing manual activities with an automated segment selection. METHODOLOGY: This study presents a deep object detection neural network architecture, called DeepCADD to determine the lesion location in right coronary arteries (RCA) angiography exams. Using a Mask Region-Based Convolutional Neural Network (R-CNN), we expect to reach precision comparable to the gold standard, automating one step of the current protocol. We replace the Mask R-CNN’s backbone with a ResNet-50 trained with coronary artery segments to improve the small features detection. We also train the whole DeepCADD architecture with angiographies collected in a local institution. RESULTS: DeepCADD outperformed similar networks in terms of sensitivity and presented a significant correlation with specialists during the validation, which suggests that DeepCADD can be used in the current angiography protocol. CONCLUSION: DeepCADD increases the correlation between the specialists and provides visual CAD suggestions, specially in multi-vessel lesions, which differentiates DeepCADD from the current literature. DeepCADD detects a high number of true positive candidates for lesion quantification, which we expect to extend for further arteries and dynamic evaluation in future research.;
metadataTrad.dc.subject Artérias coronárias; Aprendizado profundo; Doença arterial coronária; Detecção de objetos; Coronary artery; Deep learning; Coronary artery disease; Object detection;
metadataTrad.dc.subject.cnpq ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação;
metadataTrad.dc.type Dissertação;
metadataTrad.dc.date.issued 2022-02-18;
metadataTrad.dc.description.sponsorship CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior;
metadataTrad.dc.rights openAccess;
metadataTrad.dc.identifier.uri http://www.repositorio.jesuita.org.br/handle/UNISINOS/11829;
metadataTrad.dc.publisher.program Programa de Pós-Graduação em Computação Aplicada;


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search

Advanced Search

Browse

My Account

Statistics