ارائه یک مدل هوشمند مبتنی بر یادگیری عمیق جهت برای تشخیص تنگی شریان های کرونر در تصاویر آنژیوگرافی

بیماری عروق کرونر (CAD) یکی از علل اصلی مرگ ومیر جهانی است که تشخیص آن عمدتا بر تفسیر بصری آنژیوگرافی توسط متخصصان متکی است؛ فرآیندی که زمان بر و مستعد خطای انسانی است. هدف این پژوهش، توسعه یک چارچوب تشخیص خودکار و کارآمد با استفاده از یادگیری عمیق برای مکان یابی دقیق تنگی عروق است. روش کار: در این مطالعه، کارایی دو معماری پیشرفته تشخیص شیء، شامل RetinaNet و EfficientDet D۳، مورد ارزیابی قرار گرفت. مدل ها با استفاده از مجموعه داده ای شامل ۸۳۲۵ تصویر آنژیوگرافی از ۱۰۰ بیمار مبتلا به بیماری تک رگی آموزش و اعتبارسنجی شدند. جهت بهبود تعمیم پذیری، تکنیک های پیش پردازش و افزایش داده اعمال گردید. یافته ها: نتایج آزمایش ها نشان داد که مدل EfficientDet D۳ با دستیابی به میانگین دقت متوسط (mAP) برابر با ۹۶.۶٪، عملکردی برتر نسبت به روش های موجود دارد. مدل RetinaNet نیز با ثبت mAP برابر با ۹۳.۲٪ و سرعت پردازش بالا، استحکام قابل توجهی از خود نشان داد. نتیجه گیری: چارچوب پیشنهادی با برقراری تعادل میان دقت و سرعت پردازش، پتانسیل بالایی برای پیاده سازی در محیط های بالینی به عنوان سیستم پشتیبان تصمیم گیری دارد و می تواند با کاهش وابستگی به تفسیر دستی، تشخیص به موقع و دقیق را تسهیل نماید.

کلیدواژه ها:

تشخیص تنگی عروق ، یادگیری عمیق ، تشخیص شیء ، EfficientDet ، RetinaNet ، آنژیوگرافی عروق کرونر