Idenfication of coronary artery disease in CCTA volumes using neural networks
Translated title
Identificering af koronararterie sygdom i CCTA-volumener ved hjælp af neurale netværker
Authors
Ransborg, Mia Hebsgaard ; Madsen, Julie Rask
Term
4. term
Publication year
2022
Abstract
Baggrund: Koronararteriesygdom (CAD) er en førende dødsårsag. Koronar CT-angiografi (CCTA) bruges bredt til at påvise CAD, men den begrænsede specificitet kan føre til unødvendige invasive angiografier. Formål: at undersøge om dybdelæring anvendt på CCTA-volumener og tilhørende patientdata kan identificere patienter med CAD og dermed potentielt forbedre specificiteten. Metode: Der blev udviklet et CAD-netværk, der kombinerede et konvolutionsneuronalt netværk og et rekurrent netværk til sekventiel analyse af CCTA-billeder samt et fuldt forbundet netværk til analyse af patientdata; præstationen blev evalueret med bl.a. F1-score og arealet under ROC-kurven (AUROC). Resultater: Netværket opnåede F1 = 0,51 og AUROC = 0,51, hvilket svarer til tilfældig klassifikation mellem CAD og ikke-CAD. Konklusion: Den nuværende tilgang er ikke klar til klinisk brug; yderligere udvikling og forbedring af netværket er nødvendig for at opnå bedre ydeevne.
Background: Coronary artery disease (CAD) is a leading cause of death. Coronary computed tomography angiography (CCTA) is widely used to detect CAD, but limited specificity can lead to unnecessary invasive angiography. Aim: to assess whether deep learning applied to CCTA volumes and accompanying patient data can identify patients with CAD and thereby potentially improve specificity. Methods: A CAD network was developed that combined a convolutional neural network and a recurrent neural network for sequential analysis of CCTA images, together with a fully connected network for patient data; performance was evaluated using metrics such as F1 score and area under the ROC curve (AUROC). Results: The network achieved F1 = 0.51 and AUROC = 0.51, indicating chance-level classification of CAD versus non-CAD. Conclusion: The current approach is not ready for clinical use; further development and improvement of the network are needed to enhance performance.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents