Predikce stability aterosklerotického plátu z transverzálních ultrazvukových obrazů pomocí hlubokého učení
Authors:
J. Kybic 1; D. Pakizer 2; J. Kozel 2; P. Michalčová 2; F. Charvát 3; D. Školoudík 3
Authors‘ workplace:
Faculty of Electrical Engineering, Czech Technical University in Prague, Czech Republic
1; Center for Health Research, Faculty of, Medicine, University of Ostrava, Czech, Republic
2; Central Military Hospital – Military, University Hospital, Prague, Czech, Republic
3
Published in:
Cesk Slov Neurol N 2024; 87(4): 255-263
Category:
Original Paper
doi:
https://doi.org/10.48095/cccsnn2024255
Overview
Cíl: Automaticky předpovídat stabilitu aterosklerotického plátu v karotidě ze standardních transverzálních ultrazvukových obrazů v B-modu za použití hlubokého učení. Spolehlivý prediktor by snížil potřebu klinických kontrol i farmakologické či chirurgické léčby. Metody: Automaticky byla lokalizována oblast zájmu obsahující karotidu. Adversariální metoda segmentace byla natrénována na kombinaci malého kompletně anotovaného datasetu a většího slabě anotovaného datasetu. Multikriteriální regrese s automatickou adaptací vah byla použita k predikci série klinicky relevantních atributů, vč. nárůstu tloušťky plátu během 3 let. Výsledky: Současnou šíři plátu bylo možno odhadnout s vysokou korelací (ρ = 0,32) a velmi vysokou statistickou signifikancí. Odhadovaný budoucí nárůst šíře plátu byl korelován méně (ρ = 0,22), ale stále statisticky významně (p < 0,01). Korelace mezi automatickým a expertním hodnocením echogenicity, hladkosti a kalcifikací byla ještě nižší. Závěr: Potvrdili jsme závislost mezi vzhledem plátu v ultrazvukovém obraze a pravděpodobností jeho budoucího růstu, ale je příliš slabá, než aby byla využitelná v klinické praxi jako jediný prediktor stability plátu.
Klíčová slova:
ateroskleróza – rizikový faktor – hluboké učení – ultrazvuk – progrese – karotida – zpracování biomedicínského obrazu – regresní analýza
Sources
1. Salonen R, Seppänen K, Rauramaa R et al. Prevalence of carotid atherosclerosis and serum cholesterol levels in eastern Finland. Arteriosclerosis 1988; 8 (6): 788–792. doi: 10.1161/01.atv.8.6.788.
2. Svoboda N, Voldřich R, Mandys V et al. Histological analysis of carotid plaques: the predictors of stroke risk. J Stroke Cerebrovasc Dis 2022; 31 (3): 106262. doi: 10.1016/j.jstrokecerebrovasdis.2021.106262.
3. Brinjikji W, Huston J, Rabinstein AA et al. Contemporary carotid imaging: from degree of stenosis to plaque vulnerability. J Neurosurg 2016; 124 (1): 27–42. doi: 10.3171/2015.1.JNS142452.
4. Chen X, Kong Z, Wei S et al. Ultrasound lmaging-vulnerable plaque diagnostics: automatic carotid plaque segmentation based on deep learning. J Radiat Res 2023; 16 (3): 100598. doi: 10.1016/j.jrras.2023.100598.
5. Nicolaides A, Beach KW, Kyriacou E et al. Ultrasound and carotid bifurcation atherosclerosis. London: Springer-Verlag 2013. doi: 10.1007/978-1-84882-688-5.
6. Školoudík D, Kešnerová B, Hrbáč T et al. Vizuální hodnocení a digitální analýza ultrazvukového obrazu u stabilního a progredujícího aterosklerotického plátu v karotické tepně. Cesk Slov Neurol N 2021; 84/117 (1): 38–44. doi: 10.48095/cccsnn202138.
7. Salem MK, Bown MJ, Sayers RD et al. Identification of patients with a histologically unstable carotid plaque using ultrasonic plaque image analysis. Eur J Vasc Endovasc Surg 2014; 48 (2): 118–125. doi: 10.1016/j.ejvs.2014. 05.015.
8. Doonan RJ, Gorgui J, Veinot JP et al. Plaque echodensity and textural features are associated with histologic carotid plaque instability. J Vasc Surg 2016; 64 (3): 671–677.e8. doi: 10.1016/j.jvs.2016.03.423.
9. Brinjikji W, Rabinstein AA, Lanzino G et al. Ultrasound characteristics of symptomatic carotid plaques: a systematic review and meta-analysis. Cerebrovasc Dis 2015; 40 (3–4): 165–174. doi: 10.1159/000437339.
10. Kakkos SK, Nicolaides AN, Kyriacou E et al. Computerized texture analysis of carotid plaque ultrasonic images can identify unstable plaques associated with ipsilateral neurological symptoms. Angiology 2011; 62 (4): 317–328. doi: 10.1177/0003319710384397.
11. D‘Oria M, Chiarandini S, Pipitone MD et al. Contrast Enhanced Ultrasound (CEUS) is not able to identify vulnerable plaques in asymptomatic carotid atherosclerotic disease. Eur J Vasc Endovasc Surg 2018; 56 (5): 632–642. doi: 10.1016/j.ejvs.2018.07.024.
12. Kostelanský M, Manzano-Rodríguez A, Kybic J et al. Differentiating between stable and progressive carotid atherosclerotic plaques from in-vivo ultrasound images using texture descriptors. In: Proceedings of the SPIE 2021; 12088: 120881L 10. doi: 10.1117/12.2605 795.
13. Školoudík D. Atherosclerotic plaque characteristics associated with a progression rate of the plaque in carotids and a risk of stroke. Clinical trial NCT02360137 (2015). [online]. Available from: https: //clinicaltrials.gov/ct2/ show/NCT02360137.
14. Ren S, He K, Girshick RB et al. Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Trans Pattern Anal Mach Intell 2017; 39 (6): 1137–1149. doi: 10.1109/TPAMI.2016.2577031.
15. Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells W et al. (eds). Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science (LNIP). Freiburg: Springer 2015.
16. He K, Zhang X, Ren S et al. Deep Residual learning for image recognition. In: Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE Xplore 2016: 770–778. doi: 10.1109/CVPR.2016.90.
17. Goodfellow I, Pouget-Abadie J, Mirza M et al. Generative adversarial nets. In: Ghahramani Z, Welling M, Cortes C et al. (eds). Advances in neural information processing systems, vol. 27. San Francisco: Curran Associates, Inc. 2014.
18. Valvano G, Leo A, Tsaftaris SA. Learning to Segment from scribbles using multi-scale adversarial attention gates. IEEE Trans Med Imaging 2021; 40 (8): 1990–2001. doi: 10.1109/TMI.2021.3069634.
19. Mao X, Li Q, Xie H et al. Least squares generative adversarial networks. In: Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV). Venice: IEEE Xplore 2017: 2813–2821. doi: 10.1109/ICCV. 2017.304.
20. Cipolla R, Gal Y, Kendall A. Multi-task learning using uncertainty to weigh losses for scene geometry and semantics. In: Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City: IEEE Xplore 2018: 7482–7491. doi: 10.1109/CVPR.2018.00781.
21. Peng H, Gong W, Beckmann CF et al. Accurate brain age prediction with lightweight deep neural networks. Med Image Anal 2021; 68: 101871. doi: 10.1016/j.media.2020.101871.
22. Saba L, Sanagala SS, Gupta SK et al. Multimodality carotid plaque tissue characterization and classification in the artificial intelligence paradigm: a narrative review for stroke application. Ann Transl Med 2021; 9 (14): 1206. doi: 10.21037/atm-20-7676.
23. Miceli G, Rizzo G, Basso MG et al. Artificial intelligence in symptomatic carotid plaque detection: a narrative review. Applied Sciences 2023; 13 (7): 4321. doi: 10.3390/ app13074321.
24. Skandha SS, Gupta SK, Saba L et al. 3-D optimized classification and characterization artificial intelligence paradigm for cardiovascular/stroke risk stratification using carotid ultrasound based delineated plaque: Atheromatic™ 2.0. Comput Biol Med 2020; 125: 103958. doi: 10.1016/j.compbiomed.2020.103958.
25. Svoboda N, Bradac O, Mandys V et al. Diagnostic accuracy of DSA in carotid artery stenosis: a comparison between stenosis measured on carotid endarterectomy specimens and DSA in 644 cases. Acta Neurochir (Wien) 2022; 164 (12): 3197–3202. doi: 10.1007/s00701-022-053 32-5.
Labels
Paediatric neurology Neurosurgery NeurologyArticle was published in
Czech and Slovak Neurology and Neurosurgery
2024 Issue 4
Most read in this issue
- The Trail Walking Test to predict probable mild cognitive impairment in older adults
- Cutaneous ischemia and vertebral body infarction indicating spinal cord ischemia
- Physical activity in people with multiple sclerosis and the impact of the COVID-19 pandemic
- Development of cognitive performance in children before and after surgical treatment of pharmacoresistant temporal lobe epilepsy