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

• Ano de defesa: 2022
• Autor(a) principal: Freitas, Samuel Armbrust
• Orientador(a): Ramos, Gabriel de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Artérias coronárias; Aprendizado profundo; Doença arterial coronária; Detecção de objetos
• Palavras-chave em Inglês: Coronary artery; Deep learning; Coronary artery disease; Object detection
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/11829

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.