Сегментация структурных компонентов атеросклеротических бляшек в изображениях оптической когерентной томографии с применением глубокого машинного обучения

Цель       Разработка оптимального метода автоматизированной сегментации структурных компонентов атеросклеротических бляшек в изображениях оптической когерентной томографии (ОКТ) с использованием ансамбля нейросетевых моделей глубокого обучения, основанного на сравнении девяти архитектур искусственных нейронных сетей.

Материал и методы         В исследовании использовался многопрофильный набор данных ОКТ, полученных в результате обследования 103 пациентов. Каждый сеанс ОКТ был аннотирован в виде набора двумерных бинарных масок, соответствующих пиксельным границам четырех ключевых морфологических особенностей бляшек: сосудистый просвет, фиброзная покрышка, липидное ядро и микрососуды. Для сегментации анатомических структур были применены девять моделей глубокого машинного обучения, включая U-Net, DeepLabV3 и др. Гиперпараметры моделей настраивали с использованием байесовской оптимизации, а оценку производительности выполняли при помощи метрики Dice Similarity Coefficient (DSC).

Результаты         Модели продемонстрировали высокую точность сегментации для сосудистого просвета (DSC: 0,987), умеренную точность для фиброзной покрышки (DSC: 0,736) и липидного ядра (DSC: 0,751). Сегментация микрососудов оказалась более сложной задачей, конечная точность по метрике DSC составила 61 %. Взвешенный ансамбль моделей, учитывающий неравномерное представление различных морфологических структур и уверенность моделей, достиг среднего уровня DSC 88,2 %, что значительно улучшило общую точность по сравнению с индивидуальными моделями. Полученное значение точности превышает показатели всех индивидуальных моделей, включая максимальные значения DSC 0,784 (для микрососудов) и 0,751 (для липидного ядра), что указывает на устойчивое улучшение точности сегментации при интеграции моделей.

Заключение          Исследование подтверждает эффективность предложенной стратегии сегментации атеросклеротических бляшек в ОКТ-изображениях, основанной на использовании специализированных моделей для различных морфологических особенностей и взвешенного ансамбля, адаптированного к неравномерному представлению различных морфологических структур и морфологической сложности. Данный подход позволил достичь высокой точности сегментации несмотря на выраженное неравенство представления классов. Представленные результаты могут способствовать развитию методов поддержки принятия решений в кардиологии, направленных на повышение точности диагностики и улучшение лечения сердечно-сосудистых заболеваний.

й.

1. Zibaeenejad F, Mohammadi SS, Sayadi M, Safari F, Zibaeenezhad MJ. Ten-year atherosclerosis cardiovascular disease (ASCVD) risk score and its components among an Iranian population: a cohort-based cross-sectional study. BMC Cardiovascular Disorders. 2022;22(1):162. DOI: 10.1186/s12872-022-02601-0

2. Кочергин Н.А., Кочергина А.М., Ганюков В.И., Барбараш О.Л. Нестабильные атеросклеротические бляшки коронарных артерий у пациентов со стабильной ишемической болезнью сердца. Комплексные проблемы сердечно-сосудистых заболеваний. 2018;7(3):65-71. DOI: 10.17802/2306-1278-2018-7-3-65-71

3. Vaduganathan M, Mensah GA, Turco JV, Fuster V, Roth GA. The Global Burden of Cardiovascular Diseases and Risk. Journal of the American College of Cardiology. 2022;80(25):2361–71. DOI: 10.1016/j.jacc.2022.11.005

4. Araki M, Yonetsu T, Kurihara O, Nakajima A, Lee H, Soeda T et al. Predictors of Rapid Plaque Progression. JACC: Cardiovascular Imaging. 2021;14(8):1628–38. DOI: 10.1016/j.jcmg.2020.08.014

5. Кочергин Н.А., Кочергина А.М., Хорлампенко А.А., Ганюков В.И., Шилов А.А., Барбараш О.Л. Нестабильные атеросклеротические бляшки коронарных артерий при стабильной ишемической болезни сердца: 12-месячное наблюдение. Кардиология. 2020;60(2):69–74. DOI: 10.18087/cardio.2020.2.n467

6. Kowara M, Cudnoch-Jedrzejewska A. Different Approaches in Therapy Aiming to Stabilize an Unstable Atherosclerotic Plaque. International Journal of Molecular Sciences. 2021;22(9):4354. DOI: 10.3390/ijms22094354

7. Bentzon JF, Otsuka F, Virmani R, Falk E. Mechanisms of Plaque Formation and Rupture. Circulation Research. 2014;114(12):1852–66. DOI: 10.1161/CIRCRESAHA.114.302721

8. Baruś P, Modrzewski J, Gumiężna K, Dunaj P, Głód M, Bednarek A et al. Comparative Appraisal of Intravascular Ultrasound and Optical Coherence Tomography in Invasive Coronary Imaging: 2022 Update. Journal of Clinical Medicine. 2022;11(14):4055. DOI: 10.3390/jcm11144055

9. Кочергин Н.А., Кочергина А.М. Возможности оптической когерентной томографии и внутрисосудистого ультразвука в выявлении нестабильных бляшек в коронарных артериях. Кардиоваскулярная терапия и профилактика. 2022;21(1):101-6. DOI: 10.15829/1728-8800-2022-2909

10. Кочергин Н.А., Кочергина А.М. Внутрисосудистый ультразвук как метод выявления нестабильных атеросклеротических бляшек коронарных артерий (обзор литературы). Медицинская визуализация. 2017;21(4):82-7. DOI: 10.24835/1607-0763-2017-4-82-87

11. Zaghloul A, Iorgoveanu C, Balakumaran K, Balanescu DV, Donisan T. Limitations of Coronary Computed Tomography Angiography in Predicting Acute Coronary Syndrome in a Low to Intermediate-risk Patient with Chest Pain. Cureus. 2018;10(5):e2649. DOI: 10.7759/cureus.2649

12. Chamié D, Costa JR, Damiani LP, Siqueira D, Braga S, Costa R et al. Optical Coherence Tomography Versus Intravascular Ultrasound and Angiography to Guide Percutaneous Coronary Interventions: The iSIGHT Randomized Trial. Circulation: Cardiovascular Interventions. 2021;14(3):e009452. DOI: 10.1161/CIRCINTERVENTIONS.120.009452

13. Lee J, Gharaibeh Y, Zimin VN, Kim JN, Hassani NS, Dallan LAP et al. Plaque Characteristics Derived from Intravascular Optical Coherence Tomography That Predict Cardiovascular Death. Bioengineering. 2024;11(8):843. DOI: 10.3390/bioengineering11080843

14. Williams MC, Weir-McCall JR, Baldassarre LA, De Cecco CN, Choi AD, Dey D et al. Artificial Intelligence and Machine Learning for Cardiovascular Computed Tomography (CCT): A White Paper of the Society of Cardiovascular Computed Tomography (SCCT). Journal of Cardiovascular Computed Tomography. 2024;18(6):519–32. DOI: 10.1016/j.jcct.2024.08.003

15. Athanasiou LS, Bourantas CV, Rigas G, Sakellarios AI, Exarchos TP, Siogkas PK et al. Methodology for fully automated segmentation and plaque characterization in intracoronary optical coherence tomography images. Journal of Biomedical Optics. 2014;19(2):026009. DOI: 10.1117/1. JBO.19.2.026009

16. Kolluru C, Prabhu D, Gharaibeh Y, Bezerra H, Guagliumi G, Wilson D. Deep neural networks for A-line-based plaque classification in coronary intravascular optical coherence tomography images. Journal of Medical Imaging. 2018;5(4):044504. DOI: 10.1117/1.JMI.5.4.044504

17. Lee J, Gharaibeh Y, Kolluru C, Zimin VN, Dallan LAP, Kim JN et al. Segmentation of Coronary Calcified Plaque in Intravascular OCT Images Using a Two-Step Deep Learning Approach. IEEE Access. 2020;8:225581–93. DOI: 10.1109/ACCESS.2020.3045285

18. Athanasiou LS, Olender ML, De La Torre Hernandez JM, Ben-Assa E, Edelman ER. A deep learning approach to classify atherosclerosis using intracoronary optical coherence tomography. Medical Imaging 2019: Computer-Aided Diagnosis. 2019. Av. at: https://dspace.mit.edu/bitstream/handle/1721.1/126580/109500N.pdf? DOI: 10.1117/12.2513078.

19. Shi P, Xin J, Zheng N. A-line-based thin-cap fibroatheroma detection with multi-view IVOCT images using multi-task learning and contrastive learning. Journal of the Optical Society of America A. 2022;39(12):2298. DOI: 10.1364/JOSAA.464303

20. Supervisely. Supervisely: Curate, Label and Build Production Models in One Platform. [Internet] Available at: https://supervisely.com/

21. Danilov VV, Litmanovich D, Proutski A, Kirpich A, Nefaridze D, Karpovsky A et al. Automatic scoring of COVID-19 severity in X-ray imaging based on a novel deep learning workflow. Scientific Reports. 2022;12(1):12791. DOI: 10.1038/s41598-022-15013-z

22. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. - Cham: Springer International Publishing; 2015. - P. 234-241. DOI: 10.1007/978-3-319-24574-4_28.

23. Zhou Z, Rahman Siddiquee MM, Tajbakhsh N, Liang J. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. In: Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support - Cham: Springer International Publishing; 2018. - P. 3-11. DOI: 10.1007/978-3-030-00889-5_1.

24. Chen L-C, Papandreou G, Schroff F, Adam H. Rethinking Atrous Convolution for Semantic Image Segmentation. arXiv. 2017. Av. at: https://arxiv.org/abs/1706.05587. DOI: 10.48550/ARXIV.1706.05587.

25. Chen L-C, Papandreou G, Kokkinos I, Murphy K, Yuille AL. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018;40(4):834–48. DOI: 10.1109/TPAMI.2017.2699184

26. Kirillov A, He K, Girshick R, Dollár P. A unified architecture for instance and semantic segmentation. Av. at: http://presentations.cocodataset.org/COCO17-Stuff-FAIR.pdf.

27. Chaurasia A, Culurciello E. LinkNet: Exploiting encoder representations for efficient semantic segmentation. 2017 IEEE Visual Communications and Image Processing (VCIP). 2017. Av. at: https://arxiv.org/pdf/1707.03718. DOI: 10.1109/VCIP.2017.8305148.

28. Zhao H, Shi J, Qi X, Wang X, Jia J. Pyramid Scene Parsing Network. 2017. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). P. 6230-6239. DOI: 10.1109/CVPR.2017.660.

29. Li K, Wu Z, Peng K-C, Ernst J, Fu Y. Tell Me Where to Look: Guided Attention Inference Network. 2018. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. P. 9215-9223. DOI: 10.1109/CVPR.2018.00960.

30. Fan T, Wang G, Li Y, Wang H. MA-Net: A Multi-Scale Attention Network for Liver and Tumor Segmentation. IEEE Access. 2020;8:179656–65. DOI: 10.1109/ACCESS.2020.3025372

31. Li L, Jamieson K, DeSalvo G, Rostamizadeh A, Talwalkar A. Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization. Journal of Machine Learning Research. 2016;18(1):6765–816. DOI: 10.48550/ARXIV.1603.06560

32. Falkner S, Klein A, Hutter F. BOHB: Robust and Efficient Hyperparameter Optimization at Scale. arXiv. 2018. Av. at: https://arxiv.org/pdf/1807.01774. DOI: 10.48550/arXiv.1807.01774.

33. Buslaev A, Iglovikov VI, Khvedchenya E, Parinov A, Druzhinin M, Kalinin AA. Albumentations: Fast and Flexible Image Augmentations. Information. 2020;11(2):125. DOI: 10.3390/info11020125

34. Virani SS, Newby LK, Arnold SV, Bittner V, Brewer LC, Demeter SH et al. 2023 AHA/ACC/ACCP/ASPC/NLA/PCNA Guideline for the Management of Patients With Chronic Coronary Disease: A Report of the American Heart Association/American College of Cardiology Joint Committee on Clinical Practice Guidelines. Circulation. 2023;148(9):e9–119. DOI: 10.1161/CIR.0000000000001168

35. Byrne RA, Rossello X, Coughlan JJ, Barbato E, Berry C, Chieffo A et al. 2023 ESC Guidelines for the management of acute coronary syndromes. European Heart Journal. 2023;44(38):3720–826. DOI: 10.1093/eurheartj/ehad191

36. Kedhi E, Berta B, Roleder T, Hermanides RS, Fabris E, IJsselmuiden AJJ et al. Thin-cap fibroatheroma predicts clinical events in diabetic patients with normal fractional flow reserve: the COMBINE OCT–FFR trial. European Heart Journal. 2021;42(45):4671–9. DOI: 10.1093/eurheartj/ehab433

37. Prati F, Romagnoli E, Gatto L, La Manna A, Burzotta F, Ozaki Y et al. Relationship between coronary plaque morphology of the left anterior descending artery and 12 months clinical outcome: the CLIMA study. European Heart Journal. 2020;41(3):383–91. DOI: 10.1093/eurheartj/ehz520

38. Kochergin N.A., Kochergina A.M., Ganyukov V.I., Barbarash O.L. Vulnerable Plaques in Patients with Stable Coronary Artery Disease. Horizons in World Cardiovascular Research. 2021;21:187–203

39. Park S-J, Ahn J-M, Kang D-Y, Yun S-C, Ahn Y-K, Kim W-J et al. Preventive percutaneous coronary intervention versus optimal medical therapy alone for the treatment of vulnerable atherosclerotic coronary plaques (PREVENT): a multicentre, open-label, randomised controlled trial. The Lancet. 2024;403(10438):1753–65. DOI: 10.1016/S0140-6736(24)00413-6

40. Kini AS, Vengrenyuk Y, Yoshimura T, Matsumura M, Pena J, Baber U et al. Fibrous Cap Thickness by Optical Coherence Tomography In Vivo. Journal of the American College of Cardiology. 2017;69(6):644–57. DOI: 10.1016/j.jacc.2016.10.028

41. Lee J, Kim JN, Gomez-Perez L, Gharaibeh Y, Motairek I, Pereira GTR et al. Automated Segmentation of Microvessels in Intravascular OCT Images Using Deep Learning. Bioengineering. 2022;9(11):648. DOI: 10.3390/bioengineering9110648