DEEPCADD: A Deep Neural Network for Automatic Detection of Coronary Artery Disease
Resumo
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 métodoúnico para avaliar todos os segmentos da artéria coronária com alta acurácia. O panorama apresentado, evidencia a necessidade de novas técnicas aplicadas em exames de imagem para melhorar a avaliação funcional de doenças arteriais coronarianas, substituindo etapas manuais com detecção automática de lesões. 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, automatizando uma etapa manual no protocolo atual. Nós substituímos o backbone da Mask R-CNN com uma rede ResNet-50 treinada com segmentos de artérias coronárias para melhorar a detecção de pequenos objetos em imagens de angiografia. Nós também treinamos o DeepCADD com angiografias coletadas em uma instituição de saúde local. 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 protocolo atual da angiografia. DeepCADD aumentou a correlação entre os especialistas 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.
Referências
Benenati, S., De Maria, G. L., Scarsini, R., Porto, I., and Banning, A. P. (2018). Invasive “in the cath-lab” assessment of myocardial ischemia in patients with coronary artery disease: When does the gold standard not apply? Cardiovascular Revascularization Medicine, 19(3):362–372.
Cong, C., Kato, Y., Vasconcellos, H. D., Ostovaneh, M. R., Lima, J. A., and Ambale-Venkatesh, B. (2021). Deep learning-based end-to-end automated stenosis classification and localization on catheter coronary angiography. medRxiv.
Dey, D., Slomka, P. J., Leeson, P., Comaniciu, D., Shrestha, S., Sengupta, P. P., and Marwick, T. H. (2019). Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. Journal of the American College of Cardiology, 73(11):1317–1335.
Freitas, S. A., Nienow, D., da Costa, C. A., and de O. Ramos, G. (2021a). Functional coronary artery assessment: a systematic literature review. Wiener Klinische Wochenschrift.
Freitas, S. A., Ramos, G., Schmith, J., and da Costa, C. (2020). Nodal analysis for coronary artery ischemia diagnosis. Simpósio Brasileiro de Computação Aplicada à Sade (SBCAS), pages 262–272.
Freitas, S. A., Ramos, G., Schmith, J., and da Costa, C. (2021b). Coronary artery disease automatic classification. Escola Regional de Computação Aplicada à Saúde (ERCAS), pages 26–29.
Freitas, S. A., Zeiser, F., Ramos, G., Schmith, J., and da Costa, C. (2022). Deepcadd: a deep learning architecture for automatic detection of coronary artery disease. The International Joint Conference on Neural Networks (IJCNN).
Guyton, A. and Hall, J. (2006). Textbook of Medical Physiology. Elsevier Saunders. He, K., Gkioxari, G., Dollár, P., and Girshick, R. (2017). Mask r-cnn. In 2017 IEEE International Conference on Computer Vision (ICCV), pages 2980–2988.
Hideo-Kajita, A., Garcia, H., Schlofmitz, E., and Campos, C. (2019). Atualização sobre tecnologias fisiológicas baseadas em angiografia coronariana - update on coronary angiography-based physiology technologies.
Moon, J. H., Lee, D. Y., Cha, W. C., Chung, M. J., Lee, K.-S., Cho, B. H., and Choi, J. H. (2021). Automatic stenosis recognition from coronary angiography using convolutional neural networks. Computer Methods and Programs in Biomedicine, 198:105819.
Ovalle-Magallanes, E., Avina-Cervantes, J. G., Cruz-Aceves, I., and Ruiz-Pinales, J. (2020). Transfer learning for stenosis detection in X-ray Coronary Angiography. Mathematics, 8(9):1–20.
Pang, K., Ai, D., Fang, H., Fan, J., Song, H., and Yang, J. (2021). Stenosis-detnet: Sequence consistency-based stenosis detection for x-ray coronary angiography. Computerized Medical Imaging and Graphics, 89.
Ramasamy, A., Chen, Y., Zanchin, T., Jones, D. A., Rathod, K., Jin, C., Onuma, Y., Zhang, Y. J., Amersey, R., Westwood, M., Ozkor, M., O’Mahony, C., Lansky, A., Crake, T., Serruys, P.W., Mathur, A., Baumbach, A., and Bourantas, C. V. (2020). Optical coherence tomography enables more accurate detection of functionally significant intermediate non-left main coronary artery stenoses than intravascular ultrasound: A meta-analysis of 6919 patients and 7537 lesions. International Journal of Cardiology, 301:226–234.
Rodrigues, D. L., Menezes, M. N., Pinto, F. J., and Oliveira, A. L. (2021). Automated detection of coronary artery stenosis in x-ray angiography using deep neural networks. Roos, C. J., Witkowska, A. J., Graaf, M. A. D., Veltman, C. E., Delgado, V., Greetje, Grooth, J. D.,Wouter, J., Jeroen, J. Bax, J., and Scholte, A. J. (2013). Int J Cardiovasc Imaging.
Westra, J., Andersen, B., Campo, G., Matsuo, H., and Koltowski, L. (2018). Diagnostic performance of in-procedure angiography-derived quantitative flow reserve compared to pressure-derived fractional flow reserve: The favor ii europe-japan study. 10.1161/JAHA.118.009603.
World Health Organization, W. (2020). Cardiovascular diseases. [link].
Wua, W., Xiec, H., Zhao, Y., Zhang, S., and Gu, L. (2020). Automatic detection of coronary artery stenosis by convolutional neural network with temporal constraint. Computers in Biology and Medicine, 118.
