נושא הפרוייקט

מספר פרוייקט מחלקה שמות סטודנטים אימייל שמות מנחים

פענוח תצלום אנגיוגרפיה של העורקים הכליליים על ידי למידה עמוקה

Deciphering an angiographic photograph of the coronary arteries by deep learning

תקציר בעיברית

הדמיה כלילית אנגיוגרפית הינה שיטה לזיהוי היצרות בתוך העורקים הכליליים, תוך הזרקת יוד אל העורקים הכליליים של הפציינט ומעקב אחרי התפשטות החומר בעזרת רנטגן. משימת המחקר הייתה שימוש בכלי למידה עמוקה כדי לזרז ולשפר את תהליך הזיהוי. על סמך מחקרים קודמים, נבחרו שתי רשתות ניורונים והושוו ביצועיהן – UNet++ כנגד AttUNet++.

ב-2021 פורסם מערך נתונים של הדמיה כלילית אנגיוגרפית באתר Mendeley Data, אשר הכיל תמונות של עורקי הלב וקואורדינטות של ההיצרות בהן. בעזרת מחקר, 164 תמונות נצבעו ידנית בכדי לאמן ולבדוק את שתי הרשתות. הרשתות הושוו על פי סיבוכיות, Intersection over Union, אחוזי פגיעה והתראות שווא.

שתי הרשתות זיהו נכון היצרות לפחות ב-80% מתמונות הבדיקה. רשת AttUNet++ זיהתה היצרות ביותר תמונות מאשר רשת UNet++ אך העלתה יותר התראות שווא. לסיכום, הסיבוכיות הנוספת של מנגון ה-Attention תרמה לאחוזי פגיעה גבוהים יותר אך בחלק מהמקרים הורידה את אחוזי הדיוק. למחקר נוסף, מומלץ להשתמש בתמונות צבועות, עדכניות ומדויקות יותר.

מילות מפתח: למידה עמוקה, רשתות ניורונית, סגמנטציה, עורקים כליליים, היצרות, אנגיגרפיה, UNet++

תקציר באנגלית

Angiographic coronary imaging is a valuable technique used to identify the narrowing of coronary arteries, commonly referred to as stenosis. This diagnostic method involves the injection of iodine into the patient's coronary arteries, followed by X-ray imaging to examine the flow of this contrast agent. To expedite and enhance the detection process, a recent study proposes the implementation of Convolutional Neural Network (CNN) architectures. Based on previous research, two neural network architectures were selected, and their performance were compared – UNet++ versus AttUNet++.

In 2021 an angiographic dataset for stenosis detection was published on Mendeley Data. The set contains images and coordinates of detected stenosis. Through research, 164 images were manually segmented for the training and testing of both networks. The networks were compared by complexity, Intersection over Union, Coordinate Hits and False alarms.

Both networks detected stenosis correctly in at least 80% of the test images. AttUNet++ detected more images than UNet++ but conversely, raised more false alarms. In conclusion, the Attention mechanism’s extra complexity improved detection but reduced segmentation accuracy. For further research, it would be recommended to use segmented, more accurate and up-to-date data.

Key words: Deep Learning, Neural Networks, Image Segmentation, UNet++, Stenosis, Angiography, Coronary arteries