младший научный сотрудник лаборатории тканевой инженерии и внутрисосудистой визуализации федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
Junior Researcher at the Laboratory of Tissue Engineering and Intravascular Imaging, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
кандидат медицинских наук заведующий лабораторией тканевой инженерии и внутрисосудистой визуализации федерального государственного бюджетного научного учреждения «Научно-исследовательский институт комплексных проблем сердечно-сосудистых заболеваний», Кемерово, Российская Федерация
PhD, Head of the Laboratory of Tissue Engineering and Intravascular Imaging, Federal State Budgetary Institution “Research Institute for Complex Issues of Cardiovascular Diseases”, Kemerovo, Russian Federation
Основные положения
Практическая значимость работы заключается в следующем: представленная система визуализации данных аортографии является эффективным инструментом визуального ассистирования хирурга при проведении вмешательства, поддерживающая режим работы в реальном времени. Предложенный алгоритм предварительной обработки данных, повышающий качество изображения с минимальными затратами производительности, дополняет систему визуализации, позволяя достигнуть наилучшего результата.
Аннотация
Цель. Разработка системы визуального ассистирования хирурга при проведении транскатетерной имплантации аортального клапана.
Материалы и методы. Для решения поставленной задачи использован собственный набор данных, состоящий из 35 видеозаписей проведения процедуры вмешательства. В основе системы визуализации лежит подход обнаружения ключевых точек аортографии, базирующийся на технологии Object detection, с применением искусственных нейронных сетей семейства YOLO. Для достижения наилучшего результата в работе предложен метод улучшения качества входных данных посредством использования сверточных нейронных сетей, а именно технологии Autoencoder.
Результаты. Установлено, что модель сверточного автоэнкодера способна восстановить информативность зашумленного входного изображения с 40 до 75%, что в свою очередь позволяет повысить точность обнаружения объектов на изображении. Представленная система отслеживания в режиме реального времени для облегчения процедур транскатетерной имплантации аортального клапана имеет конечную точность по метрике качества MAP – 51,9%. Система визуального ассистирования может распознавать и отслеживать ключевые точки, указывающие на расположение корня аорты, системы доставки и протеза клапана сердца во время операции. Представленная система визуализации данных аортографии является эффективным инструментом визуального ассистирования хирурга при проведении вмешательства, поддерживающая режим работы в реальном времени.
Заключение. Предложенный алгоритм предварительной обработки данных, повышающий качество изображения с минимальными затратами производительности, дополняет систему визуализации, позволяя достигнуть наилучшего результата.
Highlights
The practical significance of the work lies in the fact that the presented aortography data visualization system is an effective tool for visually assisting surgeons during transcatheter aortic valve implantation interventions, supporting real-time operation mode. The proposed data preprocessing algorithm, which improves image quality with minimal performance costs, complements the system, allowing specialists to achieve the best result.
Abstract
Aim. The aim of this study is to develop a visual assistance system for transcatheter aortic valve implantation procedures.
Methods. To address the stated objective, our own dataset consisting of 35 videos of the intervention was used. The visualization system is based on the approach of detecting key points in aortography, utilizing “Object detection” technology with the application of YOLO family artificial neural networks. To achieve the best result, we proposed a method to enhance the quality of input data using convolutional neural networks, specifically the «Autoencoder» technology.
Results. The results of the study revealed that the convolutional autoencoder model is capable of restoring the informativeness of noisy input images from 40 to 75%, thereby increasing the accuracy of object detection in images. The presented real-time tracking system for facilitating TAVI procedures achieves a final accuracy of 51.9% according to the Mean Average Precision (MAP) quality metric. The visual assistance system can recognize and track key points indicating the location of the aortic root, delivery system, and heart valve prosthesis during surgery. The practical significance of the work lies in the fact that the presented aortography data visualization system is an effective tool for visually assisting surgeons during interventions, supporting real-time operation mode.
Conclusion. The proposed data preprocessing algorithm, which improves image quality with minimal performance costs, complements the visualization system, allowing specialists to achieve the best results.
The authors declare that there are no conflicts of interest present.