Применение нейросетевых методов для анализа визуализационных исследований сердца: краткий обзор литературы

Сердечно-сосудистые заболевания остаются ведущей причиной инвалидизации и смертности населения. ВОЗ считает их основной причиной смерти во всем мире. В последние годы стремительно развиваются искусственный интеллект и нейронные сети, которые успешно применяются в кардиологии. Глубокое обучение становится ключевым инструментом в диагностике сердечно-сосудистых заболеваний, позволяя выявлять сложные закономерности и зависимости в данных, автоматизировать процессы сегментации интересующих участков. Методы глубокого обучения способствуют точной и ранней диагностике с использованием эхокардиографии, МРТ и компьютерной томографии (КТ), что может снизить затраты системы здравоохранения. Цель работы – определить потенциал применения искусственного интеллекта, в частности глубокого обучения, в визуализационных исследованиях сердца (КТ, МРТ сердца, эхокардиографии).

Материал и методы. Материалом для обзора явились 35 статей, опубликованных в период с 2013 по 2024 г. Поиск осуществлялся с использованием поискового запроса «deep learning AND (cardiac imaging OR CT OR cardiac MRI OR echocardiography)» в международных базах данных Scopus, PubMed и Web of Science.

Результаты. Одним из главных лимитирующих факторов для применения визуализационных исследований с последующим нейросетевым анализом является сегментация, требующая четкого определения интересующего участка ткани. Ручной подход к сегментации имеет недостатки, такие как трудоемкость и значительная вариабельность между исследователями. Чтобы преодолеть эти ограничения, разработаны модели глубокого обучения для автоматизации процесса сегментации. Они включают обучение различных архитектур нейронных сетей на наборах данных изображений, что позволяет выполнять автоматическую сегментацию с высокой точностью и анализировать состояние миокарда. МРТ сердца дает возможность получить ценную информацию о состоянии миокарда, включая анатомию, объемы камер сердца, наличие фиброза и воспаления. Автоматическая сегментация отдельных тканей, в том числе фиброзной, позволяет более точно оценить степень выраженности и тяжести фиброза, что необходимо для стратификации риска и планирования лечения.

Заключение. Применение глубокого обучения в анализе визуализационных исследований сердца имеет огромный потенциал для улучшения ранней диагностики и ведения заболеваний сердечно-сосудистой системы. Нейросетевые модели на основе глубокого обучения могут быть использованы как скрининговый метод для автоматизированной диагностики заболеваний сердечно-сосудистой системы.

1. Myers L., Mendis S. Cardiovascular disease research output in WHO priority areas between 2002 and 2011. J. Epidemiol. Glob. Health. 2013;4(1):23– 28. doi: 10.1016/j.jegh.2013.09.007

2. Wong N.D. Epidemiological studies of CHD and the evolution of preventive cardiology. Nat. Rev. Cardiol. 2014;11(5):276–289. doi: 10.1038/nrcardio.2014.26

3. Alqezweeni M.M., Gorbachenko V.I., Zenin O.K., Gribkov D.N., Potapov V.V., Miltykh I. Early diagnoses of chronic heart failure using neural network classifier of tensiometric blood test results. In: 2022 International Conference on Data Science and Intelligent Computing (ICDSIC). IEEE, 2022. P. 181–185. doi: 10.1109/ICDSIC56987.2022.10076007

4. Alqezweeni M.M., Gribkov D.N., Gorbachenko V.I., Potapov V.V., Miltykh I., Zenin O. Machine learning approach to the classification of tensiometric blood test results for chronic heart failure diagnosis. In: Frontiers in Artificial Intelligence and Applications. IOS Press, 2024. P. 299–305. doi: 10.3233/FAIA240165

5. Athanasiou L., Nezami F.R., Edelman E.R. Computational Cardiology. IEEE J. Biomed. Health Inform. 2019;23(1):4–11. doi: 10.1109/JBHI.2018.2877044

6. Tsigkas G., Apostolos A., Aznaouridis K., Despotopoulos S., Chrysohoou C., Naka K.K., Davlouros P. Real-world implementation of guidelines for heart failure management: A systematic review and meta-analysis. Hellenic J. Cardiol. 2022;66:72–79. doi: 10.1016/j.hjc.2022.04.006

7. Chen Y., Zhang N., Gao Y., Zhou Z., Gao X., Liu J., Gao Z., Zhang H., Wen Z., Xu L. A coronary CT angiography-derived myocardial radiomics model for predicting adverse outcomes in chronic myocardial infarction. Int. J. Cardiol. 2024;411:132265. doi: 10.1016/j.ijcard.2024.132265

8. Guo Y., Bi L., Zhu Z., Feng D.D., Zhang R., Wang Q., Kim J. Automatic left ventricular cavity segmentation via deep spatial sequential network in 4D computed tomography. Comput. Med. Imaging. Graph. 2021;91:101952. doi: 10.1016/j.compmedimag.2021.101952

9. Peng P., Lekadir K., Gooya A., Shao L., Petersen S.E., Frangi A.F. A review of heart chamber segmentation for structural and functional analysis using cardiac magnetic resonance imaging. Magn. Reson. Mater. Phys. Biol. Med. 2016;29(2):155–195. doi: 10.1007/s10334-015-0521-4

10. Yepes-Calderon F., McComb J.G. Eliminating the need for manual segmentation to determine size andvolume from MRI. A proof of concept on segmenting the lateral ventricles. PLoS One. 2023;18(5):e0285414. doi: 10.1371/journal.pone.0285414

11. Li M., Zeng D., Xie Q., Xu R., Wang Y., Ma D., Shi Y., Xu X., Huang M., Fei H. A deep learning approach with temporal consistency for automatic myocardial segmentation of quantitative myocardial contrast echocardiography. Int. J. Cardiovasc. Imaging. 2021;37(6):1967–1978. doi: 10.1007/s10554-021-02181-8

12. Jun Guo B., He X., Lei Y., Harms J., Wang T., Curran W.J., Liu T., Jiang Zhang L., Yang X. Automated left ventricular myocardium segmentation using 3D deeply supervised attention U-net for coronary computed tomography angiography; CT myocardium segmentation. Med. Phys. 2020;47(4):1775–1785. doi: 10.1002/mp.14066

13. Chen C., Qin C., Qiu H., Tarroni G., Duan J., Bai W., Rueckert D. Deep learning for cardiac image segmentation: a review. Front. Cardiovasc. Med. 2020;7:25. doi: 10.3389/fcvm.2020.00025

14. Antonopoulos A., Tsampras T., Kalykakis G., Karamanidou T., Stavropoulos T.G., Stavropoulos C. Automatic segmentation of the left ventricular myocardium in cardiac CT Scans using AI. In: 2024 IEEE International Symposium on Biomedical Imaging (ISBI). Athens, 2024. Р. 1–4. doi: 10.1109/ISBI56570.2024.10635185

15. Shoaib M.A., Lai K.W., Chuah J.H., Hum Y.C., Ali R., Dhanalakshmi S., Wang H., Wu X. Comparative studies of deep learning segmentation models for left ventricle segmentation. Front. Public Health. 2022;10:981019. doi: 10.3389/fpubh.2022.981019

16. Karamitsos T.D., Arvanitaki A., Karvounis H., Neubauer S., Ferreira V.M. Myocardial tissue characterization and fibrosis by imaging. JACC Cardiovasc. Imaging. 2020;13(5):1221–1234. doi: 10.1016/j.jcmg.2019.06.030

17. Lewis A.J.M., Burrage M.K., Ferreira V.M. Cardiovascular magnetic resonance imaging for inflammatory heart diseases. Cardiovasc. Diagn. Ther. 2020;10(3):598–609. doi: 10.21037/cdt.2019.12.09

18. Sun X., Cheng L.H., Plein S., Garg P., van der Geest R.J. Deep learning based automated left ventricle segmentation and flow quantification in 4D flow cardiac MRI. J. Cardiovasc. Magn. Reson. 2024;26(1):100003. doi: 10.1016/j.jocmr.2023.100003

19. Budai A., Suhai F.I., Csorba K., Toth A., Szabo L., Vago H., Merkely B. Fully automatic segmentation of right and left ventricle on short-axis cardiac MRI images. Comput. Med. Imaging. Graph. 2020;85:101786. doi: 10.1016/j.compmedimag.2020.101786

20. Shaaf Z.F., Jamil M.M.A., Ambar R., Alattab A.A., Yahya A.A., Asiri Y. Automatic left ventricle segmentation from short-axis cardiac MRI images based on fully convolutional neural network. Diagnostics (Basel). 2022;12(2):414. doi: 10.3390/diagnostics12020414

21. Chartsias A., Papanastasiou G., Wang C., Semple S., Newby D.E., Dharmakumar R., Tsaftaris S.A. Disentangle, align and fuse for multimodal and semi-supervised image segmentation. IEEE Trans. Med. Imaging. 2021;40(3):781–792. doi: 10.1109/TMI.2020.3036584

22. Chartsias A., Papanastasiou G., Wang C., Stirrat C., Semple S., Newby D., Dharmakumar R., Tsaftaris S.A. Multimodal cardiac segmentation using disentangled representation learning. In: Statistical Atlases and Computational Models of the Heart. MultiSequence CMR Segmentation, CRT-EPiggy and LV Full Quantification Challenges. Springer International Publishing, 2020. P. 128–137. doi: 10.1007/978-3-030-39074-7_14

23. Nakamori S., Amyar A., Fahmy A.S., Ngo L.H., Ishida M., Nakamura S., Omori T, Moriwaki K., Fujimoto N., Imanaka-Yoshida K., … Nezafat R. Cardiovascular magnetic resonance radiomics to identify components of the extracellular matrix in dilated cardiomyopathy. Circulation. 2024;150(1):7–18. doi: 10.1161/CIRCULATIONAHA.123.067107

24. Qin L., Chen C., Gu S., Zhou M., Xu Z., Ge Y., Yan F., Yang W. A radiomic approach to predict myocardial fibrosis on coronary CT angiography in hypertrophic cardiomyopathy. Int. J. Cardiol. 2021;337:113– 118. doi: 10.1016/j.ijcard.2021.04.060

25. Wu Z.H., Sun L.P., Liu Y.L., Dong D.D., Tong L., Deng D.D., He Y., Wang H., Sun Y.B., Dong J.Z., Xia L. Fully automatic scar segmentation for late gadolinium enhancement MRI images in left ventricle with myocardial infarction. Curr. Med. Sci. 2021;41(2):398–404. doi: 10.1007/s11596-021-2360-z

26. Zabihollahy F., Rajan S., Ukwatta E. Machine learning-based segmentation of left ventricular myocardial fibrosis from magnetic resonance imaging. Curr. Cardiol. Rep. 2020;22(8):65. doi: 10.1007/s11886-020-01321-1

27. Nauffal V., Di Achille P., Klarqvist M.D.R., Cunningham J.W., Hill M.C., Pirruccello J.P., Weng L.C., Morrill V.N., Choi S.H., Khurshid S., … Lubitz S.A. Genetics of myocardial interstitial fibrosis in the human heart and association with disease. Nat. Genet. 2023;55(5):777–786. doi: 10.1038/s41588-023-01371-5

28. Treiber J., Hausmann C.S., Wolter J.S., Fischer-Rasokat U., Kriechbaum S.D., Hamm C.W., Nagel E., Puntmann V.O., Rolf A. Native T1 is predictive of cardiovascular death/heart failure events and all-cause mortality irrespective of the patient’s volume status. Front. Cardiovasc. Med. 2023;10:1091334. doi: 10.3389/fcvm.2023.1091334

29. Raisi-Estabragh Z., McCracken C., Hann E., Condurache D.G., Harvey N.C., Munroe P.B., Ferreira V.M., Neubauer S., Piechnik S.K., Petersen S.E. Incident clinical and mortality associations of myocardial native T1 in the UK Biobank. JACC Cardiovasc. Imaging. 2023;16(4):450–460. doi: 10.1016/j.jcmg.2022.06.011

30. Raisi-Estabragh Z., Harvey N.C., Neubauer S., Petersen S.E. Cardiovascular magnetic resonance imaging in the UK Biobank: a major international health research resource. Eur. Heart J. Cardiovasc. Imaging. 2021;22(3):251–258. doi: 10.1093/ehjci/jeaa297

31. Aung N., Bartoli A., Rauseo E., Cortaredona S., Sanghvi M.M., Fournel J., Ghattas B., Khanji M.Y., Petersen S.E., Jacquier A. Left ventricular trabeculations at cardiac mri: reference ranges and association with cardiovascular risk factors in UK Biobank. Radiology. 2024;311(1):e232455. doi: 10.1148/radiol.232455

32. Woodbridge S.P., Aung N., Paiva J.M., Sanghvi M.M., Zemrak F., Fung K., Petersen S.E. Physical activity and left ventricular trabeculation in the UK Biobank community-based cohort study. Heart. 2019;105(13):990–998. doi: 10.1136/heartjnl-2018-314155

33. Kwan A.C., Chang E.W., Jain I., Theurer J., Tang X., Francisco N., Haddad F., Liang D., Fábián A., Ferencz A., … Ouyang D. Deep learningderived myocardial strain. JACC Cardiovasc. Imaging. 2024;17(7):715–725. doi: 10.1016/j.jcmg.2024.01.011

34. Liu B., Chang H., Yang D., Yang F., Wang Q., Deng Y., Li L., Lv W., Zhang B., Yu L., Burkhoff D., He K. A deep learning framework assisted echocardiography with diagnosis, lesion localization, phenogrouping heterogeneous disease, and anomaly detection. Sci. Rep. 2023;13(1):3. doi: 10.1038/s41598-022-27211-w

35. Ghorbani A., Ouyang D., Abid A., He B., Chen J.H., Harrington R.A., Liang D.H., Ashley E.A., Zou J.Y. Deep learning interpretation of echocardiograms. NPJ Digit. Med. 2020;3(1):10. doi: 10.1038/s41746-019-0216-8.