CC BY
61
_ТЕХНИЧЕСКИЕ НАУКИ / ENGINEERING_
DOI: https://doi.org/10.23670/IRJ.2021.114.12.005
ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ МЕДИЦИНСКОЙ ВИЗУАЛИЗАЦИИ
Научная статья
Аббасов И.Б.1' *, Дешмух Р.Р.2
1 ORCID: 0000-0003-4805-8714;
1 Южный федеральный университет, Инженерно-технологическая академия, Таганрог, Россия;
2 Университет Маратвады им. доктор Бабасахеб Амбедкара, Аурангабад, Индия
* Корреспондирующий автор (iftikhar_abbasov[at]mail.ru)
Аннотация
Работа посвящена обзору современных исследований в области медицинской визуализации с использованием искусственного интеллекта, в частности для диагностики сердечно-сосудистой системы. Отмечена актуальность исследования, рассмотрены работы по существующим методам визуализации сердечно-сосудистой системы с использованием искусственного интеллекта. Анализирована тематика современных исследований, подчеркивается возрастающее влияние современных мобильных технологий, позволяющих снять, передать данные удаленному эксперту для диагноза. Описаны работы, посвященные внедрению искусственной нейронной сети в медицинской визуализации, этапы глубокого обучения в области рентгенологии. Приведены работы по техническим аспектам применения трехмерной печати при лечении болезней сердца, также отмечены работы, посвященные применению виртуальной реальности при изучении анатомии сердца.
Ключевые слова: искусственный интеллект, медицинская визуализация, сердечно-сосудистая система, методы визуализации, компьютерная томография, 3d модель сердца, 3d печать сердца, виртуальная реальность.
APPLICATION OF ARTIFICIAL INTELLIGENCE FOR MEDICAL IMAGING
Research article
Abbasov LB.1' *, Deshmukh R.R.2
1 ORCID: 0000-0003-4805-8714;
1 Southern Federal University, Academy of Engineering and Technology, Taganrog, Russia;
2 Dr. Babasaheb Ambedkar Marathwada University, Aurangabad, India
* Corresponding author (iftikhar_abbasov[at]mail.ru)
Abstract
The article reviews modern research in the field of medical imaging using artificial intelligence, in particular for the diagnosis of the cardiovascular system. The article notes the relevance of the research and examines research on existing methods of visualization of the cardiovascular system using artificial intelligence. The authors analyze the subject of modern research and emphasize the increasing influence of modern mobile technologies that allow for removing and transferring data to a remote expert for diagnosis. The study describes research works on the introduction of an artificial neural network in medical imaging, the stages of deep learning in the field of radiology. Also, the authors present research on the technical aspects of the use of three-dimensional printing in the treatment of heart diseases, as well as on the use of virtual reality in the study of the anatomy of the heart.
Keywords: artificial intelligence, medical imaging, cardiovascular system, imaging methods, computed tomography, 3d model of the heart, 3d printing of the heart, virtual reality.
Введение
Искусственный интеллект базируется на когнитивных свойствах, которые характерны для человеческого интеллекта. Для этого необходимо обучить систему мыслить разумно, как человек. Этот процесс зависит от базы предоставленных данных, их качества, а также используемого обучающего программного обеспечения. Искусственный интеллект может ускорить процесс сбора, анализа данных, повысить его качество, сократить время исследования и проведения оперативной диагностики. Это в свою очередь может улучшить процесс диагностики, повысить эффективность ухода за пациентами.
Искусственный интеллект помогает диагностировать болезни, сердечно-сосудистые заболевания и онкологические болезни. Значение искусственного интеллекта повысилось особенно в настоящее время борьбы с пандемией. Искусственный интеллект применяется для анализа рентгеновских снимков, ускоряя выявление признаков пневмонии у пациентов с COVID-19. Также системы распознавания и обеспечения общественной безопасности на основе искусственного интеллекта помогают выявлять в потоке людей с температурой. Это снижает нагрузку на врачей и количество потенциально опасных взаимодействий между пациентами.
В условиях пандемии процесс автоматической обработки огромного количества снимков осуществляется искусственным интеллектом, анализируется им, а потом уже данные верифицируются врачом-рентгенологом. При этом процесс может происходить не только на месте осуществления диагностики, как обычно, но также дистанционно, за сотни километров, или с использованием облачных технологий.
Разработка приложений искусственного интеллекта с большими базами изображений может упростить, ускорить процесс постановки диагноза. Однако искусственный интеллект не рекомендуется использовать для автоматической генерации управленческих решений, так как врач руководствуется клиническими, личными, и социальными аспектами каждого отдельного пациента. Поэтому итоговый диагноз должен проверяться, верифицироваться лечащим врачом.
В данной работе представлен обзор некоторых современных публикаций по применению искусственного интеллекта в области медицинской визуализации, конкретно в визуализации сердечно-сосудистой системы, так как эти болезни остаются в списке основных проблем здравоохранения современной человеческой цивилизации. Мы рассмотрим применяемые высокотехнологичные методы диагностики, роль искусственного интеллекта в данных методах, значимость трёхмерного моделирования, печати и виртуальной реальности в исследованиях сердечнососудистой визуализации. Данный обзор может помочь дополнить информацию по современным исследованиям с применением искусственного интеллекта для целей медицинской визуализации сердечно-сосудистой системы.
Методы визуализации сердечно-сосудистой системы
Рассмотрим сначала работы, посвященные современным методам медицинской кардиологической визуализации. В работе [1] представлены результаты исследования о применении различных видов эхокардиографии, магнитно -резонансной томографии сердечно-сосудистой системы, компьютерной, ядерной томографии сердца, ультразвуковых исследований сосудов европейскими организациями здравоохранения.
Статья [2] посвящена обзору существующих методов сердечно-сосудистой визуализации для диагностики ишемической болезни сердца. Методы ядерной кардиологии, стресс-эхокардиография, мультиспиральная компьютерная томография и магнитно-резонансная томография обладают высокими показателями чувствительности в верификации коронарной патологии. Одной из важных проблем современной медицины является ишемическая болезнь сердца вследствие высокой заболеваемости и смертности. Прогресс медицинской диагностики способствовал развитию методов сердечно-сосудистой визуализации, основанных на разных физических принципах (рентгеновское излучение, ультразвук, ядерно-магнитный резонанс) [3]. Обзор методов коронарной компьютерной томографии при изучении структуры и функции коронарных артерий представлен также в работе [4].
Искусственный интеллект в визуализации сердечно-сосудистой системы
В последние годы искусственный интеллект и, в частности, применение алгоритмов машинного обучения стали более продвинутыми в компьютерной томографии сердечно-сосудистой системы, позволив сделать процесс принятия решений более объективным, рациональным [5]. Искусственный интеллект базируется на использовании банка данных медицинской визуализации, на высокопроизводительной вычислительной инфраструктуре и прикладных алгоритмах [6].
В обзоре [7] представлена тематика наиболее актуальных статей международного журнала сердечно -сосудистой визуализации (The International Journal of Cardiovascular Imaging, за 2017) год по применению различных методов обследования (рис.1).
РЕНТГЕНОВСКИЕ ИССЛЕДОВАНИЯ
Внутрисосудистая визуализация
Биорезорбиру-емые сосудистые каркасы
Металлические стенты
Характеристика бляшек и тканей
Диагностика
поражения
сосудов
ЯДЕРНАЯ КАРДИОЛОГИЯ
Кадмиево-цинковые теллуридные камеры для миокарда
Однофотонная эмиссионная компьютерная томография
Позитронно-эмиссионная томография
Визуализация при
фибрилляции
предсердий
Визуализация при
инфекционном
эндокардите
КАРДИОГРАФИЯ
• Сократительная функция
миокарда левого желудочка
• Диагностика размеров правого желудочка
> 30 чреспищеводная эхокардиография
• Машинное обучение для классификации инфаркта
• Смартфон для снятия и передачи эхокардиографии
МАГНИТНО-РЕЗОНАНСНАЯ ТОМОГРАФИЯ
Заболевания аорты
Ишемичекая болезнь сердца
Кардиомиопатия
Болезни перикарда
Врожденные пороки сердца
Приобретенные пороки сердца
Объемные
образования
сердца
Исследование легочных артерий
КОМПЬЮТЕРНАЯ ТОМОГРАФИЯ
Визуализация перфузии миокарда с контрастным усилением
30-реконструкция, 30-печать
Диагностика структурных изменений
Послеоперационная оценка коронарных стен то в
Диагностика коронарных сосудов
Рис. 1 - Тематика актуальных статей по данным журнала The International Journal of Cardiovascular Imaging [7]
Как видно из рис.1, основными темами исследований в области сердечно-сосудистой визуализации остаются: рентгеновские исследования для диагностики стентов (каркасов), ядерная кардиология, эхокардиография, магнитно -резонансная и компьютерная томография. Эти методы позволяют не только диагностировать болезни сердечно -сосудистой системы, но создавать её трехмерную модель, для более точного диагностирования и планирования дальнейших хирургических вмешательств. Применению биорезорбируемых внутрисосудистых каркасов при лечении ишемической болезни сердца посвящен обзор [8].
Этапы применения искусственного интеллекта в кардиологии и визуализации сердца описываются в обзоре [9] (рис.2). При медицинской диагностике часто возникают проблемы со сроками, эффективностью, и своевременными диагнозами. Для применения искусственного интеллекта надо учитывать надежность данных, соответствующие вычислительные подходы и инструменты. Это подтверждается его клиническим применением для сегментации изображений, автоматизации измерений и, в конечном итоге, для автоматической выработки рекомендаций по диагнозу [10], [11].
На рис.2 представлены этапы применения искусственного интеллекта при проведении сердечно-сосудистой визуализации. Первый этап включает в себя сбор данных: по медицинским изображениям, записям, историям болезней, базам биоресурсов и генных исследований. Второй этап состоит из выбора вычислительных методов машинного обучения с учителем (контролируемые) и без учителя (неконтролируемые), также их комбинации. На третьем этапе используются приложения, компьютерные программы для визуализации с проведением оценки, уведомления, диагностики и прогнозирования.
ДАННЫЕ И ХАРАКТЕРИСТИКИ
Изображения
Края, формы и элементы Цвет, яркость, контраст 20 и 30 информация Встроенные метаданные Медицинские записи Электронные медицинские карты Назначения
Результаты, включая смертность
Пациент
Стиль жизни
Диагноз, диета
Большие данные
Биобанки и биоресурсы
Геномика
ВЫЧИСЛИТЕЛЬНЫЙ МЕТОДЫ
• С учителем
• Регрессионный анализ
• Метод опорных векторов
• Метод «случайного леса»
• Сверточные нейронные сети
• Без учителя
• Анализ главных компонент
• Кластерный анализ
• Комбинированные методы
• Без учителя и с учителем
• Ансамблевые методы
ПРИЛОЖЕНИЯ ДЛЯ ВИЗУАЛИЗАЦИИ
• Количественная оценка
• Автоматизированная оценка
• Качество изображения
• Сортировка изображений
• Инструменты уведомления
• Индикаторы
• Приоритетность рабочего процесса
• Диагностика
• Поддержка при принятии решения
• Диагностика
• Прогнозирование риска
• Прогноз
• Ишемия
Рис. 2 - Этапы применения искусственного интеллекта при сердечно-сосудистой визуализации [9]
Искусственный интеллект может снизить стоимость и повысить ценность на этапах получения изображений, их интерпретацию и принятия решений. Точность визуализации сердечно-сосудистой системы в сочетании с «большими данными» из электронной истории болезни позволит лучше охарактеризовать заболевание и персонализировать терапию.
В обзорной статье [12] представлены данные об истории развития и применения искусственной нейронной сети в медицинской визуализации. Благодаря развитию вычислительной мощности с помощью графических процессоров и доступности сбора больших объемов данных глубокая нейронная сеть превосходит возможности человеческого мозга, например, в задачах распознавания речи и компьютерного зрения [13], [14]. Эти возможности искусственного интеллекта всё чаще стали применяться в области медицины, включая компьютерную диагностику, прогнозирование заболеваний, сегментацию изображений, выработку рекомендаций (рис.3).
ГЛУБОКОЕ ОБУЧЕНИЕ В РЕНТГЕНОЛОГИИ
1. Классификация изображений . Обнаружение объектов . Сегментация и регистрация изображений . Генерация изображений . Преобразование изображений
Рис. 3 - Этапы глубокого обучения в рентгенологии [12]
Работа [15] посвящена применению искусственного интеллекта, машинного обучения при компьютерной томографии сердца. Компьютерная томография-ангиография обеспечивает превосходную оценку ишемической болезни сердца, сочетая анатомическую и морфологическую оценку болезни для определения сердечно -сосудистого риска и принятия терапевтических решений [16]. Далее рассмотрим применение современных высокотехнологичных средств для исследования, диагностики сердечно-сосудистой системы: трехмерной печати и виртуальной реальности.
Трехмерная печать моделей сердца
В последнее время всё чаще в медицинской практике начали использовать возможности трехмерной печати органов и приспособлений для человека. Целю статьи [17] является обсуждение технических аспектов и текущие применения трехмерной печати при врожденных пороках сердца. Эта тема представляет собой привлекательную область для применения 3D-печатных моделей, и в последнее десятилетие наблюдается стабильный прогресс [18]. Современные 3D-модели могут воспроизводить сложную сердечную и внесердечную анатомию, включая мелкие детали с очень ограниченным диапазоном ошибок, поэтому этот инструмент может оказаться полезным при планировании хирургического или чрескожного лечения отдельных случаев ишемической болезни сердца [19].
Однако этапы построения 3D-моделей, состоящие из получения и выбора изображений, сегментации и печати, сильно зависят от квалификации оператора. На рис.4 представлены этапы трехмерной печати, начиная от рентгеновской визуализации для создания объемной модели до окончательной печати. Современные трехмерные модели могут быть жесткими или гибкими, но неспособными воспроизводить физиологические изменения во время сердечного цикла. Кроме того, высокая стоимость и длительное время сегментации и печати (до 24 часов) ограничивают более широкое его использование [20], [21]. В настоящее время опыт применения этих моделей ограничен незначительными случаями использования. Необходимы дополнительные данные для оценки диагностической точности и экономической эффективности 3D-печатных моделей при лечении заболеваний сердца.
Рис. 4 - Этапы трехмерной печати: А) рентгеновское изображение; В) сегментация; С) трехмерный объемный рендеринг; Б) компьютерное
проектирование; Е) 3D-печать методом наплавленного моделирования; Е) окончательная печатная модель [17]
Виртуальная реальность в изучении сердечно-сосудистой системы
Достижения в области виртуальной реальности позволяют врачам взаимодействовать с трехмерными визуализациями сердца при трехмерном стереоскопическом зрении [20], [22]. Применению виртуальной реальности при изучении анатомии врожденных пороков сердца посвящена работа [23]. На сегодняшний день не существует точная оценка применения этих технологий по сравнению со стандартными 2D-интерфейсами. В проведенном эксперименте одна группа обучающихся использовала 3D-гарнитуру виртуальной реальности для визуализации лекции с 3D-моделями сердца, другая контрольная группа использовала интерфейс настольного компьютера с теми же моделями [24].
У испытуемых с применением виртуальной реальности впечатление о своем понимании предмета было выше, чем у испытуемых на компьютере, следовательно, виртуальная реальность может повысить заинтересованность учащихся в освоении знаний об анатомии сердца (рис.5).
Рис. 5 - Испытуемый с головным дисплеем и ручными контроллерами для интерактивного взаимодействия (слева) и стереоскопическая виртуальная реальность (справа) позволяет пользователям вращать, перемещать, разрезать 3Б-модели [23]
Отметим ещё некоторые работы по компьютерной томографии с применением описанных технологий. Работа [25] посвящена методам виртуального вскрытия наборов компьютерных томографических изображений для подробного изучения анатомии сердца. Результаты компьютерной томографии сердца пациентов с различными врожденными пороками описываются в работе [26]. Компьютерная томография предоставляет точные морфологические и функциональные данные, что позволяет повышать точность диагностики.
Анализ исследований
На современном этапе значимость применения искусственного интеллекта в медицинской визуализации растет, особенно области изучения сердечно-сосудистой системы. Искусственный интеллект позволяет воссоздать трехмерную модель на основе послойного сканирования, что упрощает процесс диагностики и прогнозирования медицинских вмешательств. Всё чаще для оперативности начинают использовать привычные смартфоны для снятия, передачи информации, и получения заключения врача-эксперта, помогая лечащему врачу верифицировать конечный диагноз и последующий процесс лечения.
Ожидается, что потребность в визуализации сердечно-сосудистой системы возрастёт в ближайшие годы из-за изменений в эпидемиологии сердечно-сосудистых заболеваний и старения населения [27]. Таким образом, потенциал искусственного интеллекта в ближайшем будущем всё чаще будет использоваться врачом в качестве консультанта при принятии решения.
Заключение
В данной работе был сделан обзор современного состояния исследований в области визуализации сердечнососудистой системы. Были выделены работы, посвященные методам визуализации, особенности применения искусственного интеллекта в процессе подготовки, анализа данных для помощи лечащему врачу, что может ускорить постановку диагноза и повысить эффективность лечения. Системы виртуальной реальности, трёхмерной визуализации и печати позволяют врачу предварительно проверить будущие медицинские вмешательства, помогая ему своевременно выбрать методику лечения, подготовить дальнейшие рекомендации.
Конфликт интересов Conflict of Interest
Не указан. None declared.
Список литературы / References
1. Lancellotti P. Cardiovascular imaging practice in Europe: a report from the European Association of Cardiovascular Imaging / P. Lancellotti, E. Plonska-Gosciniak, M. Garbi et al. //European Heart Journal - Cardiovascular Imaging, 2015. V.16, Issue 7, P.697-702. DOI: 10.1093/ehjci/jev116
2. Никифоров В.С. Методы сердечно-сосудистой визуализации в диагностике ишемической болезни сердца / В.С. Никифоров // Consilium Medicum. 2017. Т.19. №1. С.18-24.
3. Achenbach S. The year in coronary artery disease / S. Achenbach, V. Dilsizian, C.M. Kramer et al. // JACC Cardiovascular Imaging, 2009. V.2 (6). P.774-86 DOI: 10.1016/j.jcmg.2009.01.017
4. Hennessey B. Contemporary use of coronary computed tomography angiography in the planning of percutaneous coronary intervention / B. Hennessey, R. Vera-Urquiza, H. Mejia-Renteria et al. //The International Journal of Cardiovascular Imaging, 2020. V.36. P.2441-2459 DOI: 10.1007/s10554-020-02052-8
5. Obermeyer Z. Predicting the future - big data, machine learning, and clinical medicine / Z. Obermeyer, E.J. Emanuel //New England Journal of Medicine, 2016. V.375. P.1216-9. DOI: 10.1056/NEJMp1606181
6. Lee J.G. Deep learning in medical imaging: general overview/ J.G.Lee, S. Jun, Y.W. Cho, et al //Korean Journal of Radiology, 2017. V.18. P.570-584. DOI: 10.3348/kjr.2017.18.4.570
7. Reiber J.H. Cardiovascular imaging 2017 in the International Journal of Cardiovascular Imaging / J.H. Reiber, A. Alaiti, H.G. Bezerra et al. // The International Journal of Cardiovascular Imaging, 2018. V.34. P. 833-848 DOI: 10.1007/s10554-018-1349-6
8. Плечев В.В. Биорезорбируемые внутрисосудистые каркасы. Обзорная статья / В.В. Плечев, И.Е. Николаева, И.В. Бузаев и др. // Креативная хирургия и онкология. 2017. №7 (4). C.53-62. DOI: 10.24060/2076-3093-2017-7-4-53-62
9. Dey D. Artificial Intelligence in Cardiovascular Imaging / D. Dey, P.J. Slomka, P. Leeson et al. //Journal of the American College of Cardiology, 2019, V.73, Issue 11, P.1317-1335 DOI: 10.1016/j.jacc.2018.12.054
10. Slomka P.J. Cardiac imaging: working towards fully-automated machine analysis & interpretation / P.J. Slomka, D. Dey, A. Sitek et al. // Expert Rev Med Devices, 2017. V.14. P.197-212 DOI: 10.1080/17434440.2017.1300057
11. Johnson K.M. Scoring of coronary artery disease characteristics on coronary CT angiograms by using machine learning / K.M. Johnson, H.E. Johnson, Y. Zhao et al. // Radiology, 2019. V.292. P.354-362 DOI: 10.1148/radiol.2019182061
12. Mingyu Kim. Deep Learning in Medical Imaging / Mingyu Kim, Jihye Yun, Yongwon Cho et al. //Neurospine, 2019, V.16 (4). P.657-668 DOI: 10.14245/ns.1938396.198
13. Gore R.W. LULC-Analysis of land-use with the help of unsupervised classification / R.W. Gore, A.D. Mishra, R.R. Deshmukhet al. // Izvestiya SFedU. Engineering Sciences. 2020. №3 (213). P.184-192 DOI: 10.18522/2311-3103-2020-3-184-192
14. Abbasov I.B. «Recognition and Perception of Images, Fundamentals and Applications» / I.B. Abbasov // Edited by Iftikhar B. Abbasov, Wiley-Scrivener, 2021, 464 p. ISBN: 9781119750550, DOI:10.1002/9781119751991
15. Brandt V. Ischemia and outcome prediction by cardiac CT based machine learning / V. Brandt, T. Emrich, U.J. Schoepf et al. // The International Journal of Cardiovascular Imaging, 2020. V.36. P.2429-2439 DOI: 10.1007/s10554-020-01929-y
16. Singh G. Machine learning in cardiac CT: basic concepts and contemporary data / G. Singh, S.J. Al'Aref, M. Van et al.//Journal of Cardiovascular Computed Tomography, 2018. V.12. P.192-201 DOI: 10.1016/j.jcct.2018.04.010
17. Cantinotti M. Three-dimensional printed models in congenital heart disease / M. Cantinotti, I. Valverde, Sh. Kutty // The International Journal of Cardiovascular Imaging, 2017. V.33. P.137-144 DOI: 10.1007/s10554-016-0981-2
18. Farooqui K.M. Echocardiography and threedimensional printing: sound ideas to touch a heart / K.M. Farooqui, P. Sengputa // Journal American Society Echocardiography. 2015. V.28. P.398-403 DOI: 10.1016/j.echo.2015.02.005
19. Schmauss D. Three-dimensional printing in cardiac surgery and interventional cardiology: a single-centre experience / D. Schmauss, S. Haeberle, C. Hagl et al. // European Journal of Cardio-thoracic Surgery, 2015. V.47. P.1044-1052 DOI: 10.1093/ejcts/ezu310
20. Suarez-Mejias C. New technologies applied to surgical processes: virtual reality and rapid prototyping / C. Suarez-Mejias, G. Gomez-Ciriza, I. Valverde et al. // Studies Health Technology Inform, 2015. V.210. P.669-671
21. Vukicevic M. Cardiac 3D printing and its future directions / M. Vukicevic, B. Mosadegh, J.K. Min et al. // JACC Cardiovascular Imaging, 2017. V.10 (2) P.171-184 DOI: 10.1016/j.jcmg.2016.12.001
22. Ong C.S. Role of virtual reality in congenital heart disease / C.S. Ong, A. Krishnan, C.Y. Huang et al. // Congenital Heart Disease, 2018. V.13 (3). P.357-361 DOI: 10.1111/chd.12587
23. Patel N. Stereoscopic virtual reality does not improve knowledge acquisition of congenital heart disease / N. Patel, A. Costa, S.P. Sanders et al. // The International Journal of Cardiovascular Imaging. 07 Mar 2021, DOI: 10.1007/s10554-021-02191-6
24. Maresky H.S. Virtual reality and cardiac anatomy: exploring immersive three-dimensional cardiac imaging, a pilot study in undergraduate medical anatomy education / H.S. Maresky, A. Oikonomou, I. Ali et al. // Clinical Anatomy, 2019. V.32 (2). P.238-243 DOI: 10.1002/ca.23292
25. Mori Sh. What Is the Real Cardiac Anatomy? / Sh. Mori, J.T. Tretter, D.E. Spicer et al. // Clinical Anatomy, 2019. V.32. P.288-309 DOI: 10.1002/ca.23340
26. Hyun Woo Goo. Computed tomography for the diagnosis of congenital heart disease in pediatric and adult patients / Hyun Woo Goo, In-Sook Park, Jae Kon Ko et al. // The International Journal of Cardiovascular Imaging, 2005. V.21. P.347-365 DOI: 10.1007/s10554-004-4015-0
27. Fischer A.M. Accuracy of an artificial intelligence deep learning algorithm implementing a recurrent neural network with long short-term memory for the automated detection of calcified plaques from coronary computed tomography angiography / A.M. Fischer, M. Eid, C.N. De Cecco et al. //Journal of Thoracic Imaging, 2020. V.35. P. 49-57 DOI: 10.1097/RTI.0000000000000491
Список литературы на английском языке / References in English
1. Lancellotti P. Cardiovascular imaging practice in Europe: a report from the European Association of Cardiovascular Imaging / P. Lancellotti, E. Plonska-Gosciniak, M. Garbi et al. //European Heart Journal - Cardiovascular Imaging, 2015. V.16, Issue 7, P.697-702. DOI: 10.1093/ehjci/jev116
2. Nikiforov V.S. Metody serdechno-sosudistojj vizualizacii v diagnostike ishemicheskojj bolezni serdca [Methods of cardiovascular imaging in the diagnosis of coronary heart disease] / V.S. Nikiforov // Consilium Medicum. 2017. Vol. 19. No. 1, pp.18-24 [in Russian]
3. Achenbach S. The year in coronary artery disease / S. Achenbach, V. Dilsizian, C.M. Kramer et al. // JACC Cardiovascular Imaging, 2009. V.2 (6). P.774-86 DOI: 10.1016/j.jcmg.2009.01.017
4. Hennessey B. Contemporary use of coronary computed tomography angiography in the planning of percutaneous coronary intervention / B. Hennessey, R. Vera-Urquiza, H. Mejia-Renteria et al. //The International Journal of Cardiovascular Imaging, 2020. V.36. P.2441-2459 DOI: 10.1007/s10554-020-02052-8
5. Obermeyer Z. Predicting the future - big data, machine learning, and clinical medicine / Z. Obermeyer, E.J. Emanuel //New England Journal of Medicine, 2016. V.375. P.1216-9. DOI: 10.1056/NEJMp1606181
6. Lee J.G. Deep learning in medical imaging: general overview/ J.G.Lee, S. Jun, Y.W. Cho, et al //Korean Journal of Radiology, 2017. V.18. P.570-584. DOI: 10.3348/kjr.2017.18.4.570
7. Reiber J.H. Cardiovascular imaging 2017 in the International Journal of Cardiovascular Imaging / J.H. Reiber, A. Alaiti, H.G. Bezerra et al. // The International Journal of Cardiovascular Imaging, 2018. V.34. P. 833-848 DOI: 10.1007/s10554-018-1349-6
8. Plechev V.V. Biorezorbiruemye vnutrisosudistye karkasy. Obzornaja stat'ja [Bioresorbable intravascular frameworks. Review article] / V.V. Plechev, I.E. Nikolaeva, I.V. Buzaev, et al. // Kreativnaja khirurgija i onkologija [Creative surgery and oncology]. 2017. №7 (4), pp.53-62. [in Russian]
9. Dey D. Artificial Intelligence in Cardiovascular Imaging / D. Dey, P.J. Slomka, P. Leeson et al. //Journal of the American College of Cardiology, 2019, V.73, Issue 11, P.1317-1335 DOI: 10.1016/j.jacc.2018.12.054
10. Slomka P.J. Cardiac imaging: working towards fully-automated machine analysis & interpretation / P.J. Slomka, D. Dey, A. Sitek et al. // Expert Rev Med Devices, 2017. V.14. P.197-212 DOI: 10.1080/17434440.2017.1300057
11. Johnson K.M. Scoring of coronary artery disease characteristics on coronary CT angiograms by using machine learning / K.M. Johnson, H.E. Johnson, Y. Zhao et al. // Radiology, 2019. V.292. P.354-362 DOI: 10.1148/radiol.2019182061
12. Mingyu Kim. Deep Learning in Medical Imaging / Mingyu Kim, Jihye Yun, Yongwon Cho et al. //Neurospine, 2019, V.16 (4). P.657-668 DOI: 10.14245/ns.1938396.198
13. Gore R.W. LULC-Analysis of land-use with the help of unsupervised classification / R.W. Gore, A.D. Mishra, R.R. Deshmukh et al. // Izvestiya SFedU. Engineering Sciences. 2020. №3 (213). P.184-192 DOI: 10.18522/2311-3103-2020-3-184-192
14. Abbasov I.B. «Recognition and Perception of Images, Fundamentals and Applications» / I.B. Abbasov // Edited by Iftikhar B. Abbasov, Wiley-Scrivener, 2021, 464 p. ISBN: 9781119750550, DOI:10.1002/9781119751991
15. Brandt V. Ischemia and outcome prediction by cardiac CT based machine learning / V. Brandt, T. Emrich, U.J. Schoepf et al. // The International Journal of Cardiovascular Imaging, 2020. V.36. P.2429-2439 DOI: 10.1007/s10554-020-01929-y
16. Singh G. Machine learning in cardiac CT: basic concepts and contemporary data / G. Singh, S.J. Al'Aref, M. Van et al.//Journal of Cardiovascular Computed Tomography, 2018. V.12. P.192-201 DOI: 10.1016/j.jcct.2018.04.010
17. Cantinotti M. Three-dimensional printed models in congenital heart disease / M. Cantinotti, I. Valverde, Sh. Kutty // The International Journal of Cardiovascular Imaging, 2017. V.33. P.137-144 DOI: 10.1007/s10554-016-0981-2
18. Farooqui K.M. Echocardiography and threedimensional printing: sound ideas to touch a heart / K.M. Farooqui, P. Sengputa // Journal American Society Echocardiography. 2015. V.28. P.398-403 DOI: 10.1016/j.echo.2015.02.005
19. Schmauss D. Three-dimensional printing in cardiac surgery and interventional cardiology: a single-centre experience / D. Schmauss, S. Haeberle, C. Hagl et al. // European Journal of Cardio-thoracic Surgery, 2015. V.47. P.1044-1052 DOI: 10.1093/ejcts/ezu310
20. Suarez-Mejias C. New technologies applied to surgical processes: virtual reality and rapid prototyping / C. Suarez -Mejias, G. Gomez-Ciriza, I. Valverde et al. // Studies Health Technology Inform, 2015. V.210. P.669-671
21. Vukicevic M. Cardiac 3D printing and its future directions / M. Vukicevic, B. Mosadegh, J.K. Min et al. // JACC Cardiovascular Imaging, 2017. V.10 (2) P.171-184 DOI: 10.1016/j.jcmg.2016.12.001
22. Ong C.S. Role of virtual reality in congenital heart disease / C.S. Ong, A. Krishnan, C.Y. Huang et al. // Congenital Heart Disease, 2018. V.13 (3). P.357-361 DOI: 10.1111/chd.12587
23. Patel N. Stereoscopic virtual reality does not improve knowledge acquisition of congenital heart disease / N. Patel, A. Costa, S.P. Sanders et al. // The International Journal of Cardiovascular Imaging. 07 Mar 2021, DOI: 10.1007/s10554-021-02191-6
24. Maresky H.S. Virtual reality and cardiac anatomy: exploring immersive three-dimensional cardiac imaging, a pilot study in undergraduate medical anatomy education / H.S. Maresky, A. Oikonomou, I. Ali et al. // Clinical Anatomy, 2019. V.32 (2). P.238-243 DOI: 10.1002/ca.23292
25. Mori Sh. What Is the Real Cardiac Anatomy? / Sh. Mori, J.T. Tretter, D.E. Spicer et al. // Clinical Anatomy, 2019. V.32. P.288-309 DOI: 10.1002/ca.23340
26. Hyun Woo Goo. Computed tomography for the diagnosis of congenital heart disease in pediatric and adult patients / Hyun Woo Goo, In-Sook Park, Jae Kon Ko et al. // The International Journal of Cardiovascular Imaging, 2005. V.21. P.347-365 DOI: 10.1007/s10554-004-4015-0
27. Fischer A.M. Accuracy of an artificial intelligence deep learning algorithm implementing a recurrent neural network with long short-term memory for the automated detection of calcified plaques from coronary computed tomography angiography / A.M. Fischer, M. Eid, C.N. De Cecco et al. // Journal of Thoracic Imaging, 2020. V.35. P. 49-57 DOI: 10.1097/RTI.0000000000000491
