Детальная информация

Данная работа посвящена разработке подхода, основанного на технологиях искусственного интеллекта и анализе ангиографических изображений, для повышения точности диагностики ишемической болезни сердца и оптимизации принятия клинических решений. Решаемые задачи: 1. Обзор существующих методов диагностики ишемической болезни сердца с применением методов машинного и глубокого обучения. 2. Обзор и анализ существующих методов обработки медицинских изображений. 3. Сбор и предобработка данных (КТ-ангиографические изображения сосудов сердца). 4. Разработка и тестирование метода сегментации сосудов сердца. 5. Разработка метода предсказания гемодинамической значимости стенозов. В результате, разработан комбинированный подход для диагностики с применением моделей U Net и YOLO11x с метриками Dice и Sensitivity 0,89, 0,78 и 0,91, 0,73 соответственно. Полученное решение может быть интегрировано в клиническую практику для поддержки врачебных решений.

The given work is devored to develop an approach based on artificial intelligence technologies and the analysis of angiographic images, with the aim of improving the accuracy of coronary heart disease diagnoses and optimizing clinical decision-making. Tasks: 1. Survey of current machine- and deep-learning methods for diagnosing ischemic heart disease. 2. Review and analysis of existing medical-image processing techniques. 3. Collection and preprocessing of data (coronary CT-angiography images). 4. Development and evaluation of a coronary-vessel segmentation method. 5. Development of a model for predicting the hemodynamic significance of coronary stenoses. As a result, we created a combined diagnostic pipeline that employs U-Net and YOLO-11x models, attaining Dice and sensitivity scores of 0.89 and 0.78 for U-Net and 0.91 and 0.73 for YOLO-11x, respectively. The proposed system can be integrated into routine clinical workflow to support physicians’ decision-making.