Эхокардиография және электрокардиография негізінде жүрек-қан тамырлары жүйесі патологияларын болжауға арналған машиналық оқыту әдістері мен алгоритмдерін әзірлеу

CNN алгоритмін қолдана отырып, суреттердің аномалиялары мен жүректің физикалық жағдайының мүмкін болатын ең үлкен жиынтығын анықтау үшін жиналған таңбаланған деректер негізінде ЭхоКГ мен ЭКГ-ны автоматты түрде аннотациялау және шифрын ашу әдістерін әзірлеу. CNN алгоритмінің көмегімен кескін артефактілерін автотүзету мүмкіндігі бар ЭхоКГ суреті мен ЭКГ деректеріне сапалы баға беруді әзірлеу.

• Кардиология мамандары үшін жасанды интеллект саласында жүрек-қан тамырлары ауруларын визуализациялау және диагностикалау әдістері мен алгоритмдері зерттелді.
• Жүрек-қан тамырлары ауруларын визуализациялау және диагностикалау үшін жасанды интеллект тұжырымдамасының қолданылуына талдау жүргізілді.
• Жүрек-қан тамырлары ауруларын визуализациялау және диагностикалау үшін біріктіру және жіктеу әдістеріне аналитикалық шолу жасалып, топтастырылды.
• Жасанды интеллект технологияларын қолдана отырып, жүрек-қан тамырлары ауруларын визуализациялау және диагностикалау үшін негізгі көрсеткіштер жүйесі әзірленді.
• Жүрек-қан тамырлары ауруларын диагностикалау кезінде машиналық оқыту моделі үшін есептеу және статистикалық алгоритмдер қолданылды.
• Эхокардиограммалар мен электрокардиограммалар негізінде деректер жиналып, өңделді.
• Шешім қабылдаудың математикалық модельдері әзірленді және визуализацияланды. Стандартты екі өлшемді (2D) трансторакальды эхокардиография екі өлшемді көлденең қима кескіндерін пайдалана отырып, әртүрлі көзқарастардан бірнеше бейнеклип алуға мүмкіндік береді. Бейнеклиптер әрқашан таңбаланган көріністерді қамти бермеуі мүмкін, сондықтан көріністі анықтау жасанды интеллект қолданбаларындағы маңызды процесс болып табылады. Бұл қадам терең нейрондық желіні оқыту және автоматтандырылған өлшеулер мен кескіндерді интерпретациялау жүргізер алдында қажет. Эхокардиографияны дәл бағалау үшін перспективаны дұрыс таңдау қажет. Сонымен қатар, терең оқыту алгоритмдерін оқыту үшін едәуір мөлшерде аннотацияланған деректер қажет екенін ескере отырып, осы күрделі міндетті шешуге қабілетті көріністі анықтау алгоритмінің болуы маңызды. Алдын ала өңдеу кезеңі эхокардиографиядағы жасанды интеллект қолданбаларының дамуын жылдамдатады деп күтілуде.

re 1. Data pre-processing and labeling (a - echocardiographic video files; b - .png files; c - data labeling обработка и маркировка d - labeling process)

деректерді (a — эхокардиография видеофайлдары; b — .png файлдары; c — деректерді таңбалау құралы; d — таңбалау процесі)

Деректерді алдын ала өңдеу келесі қадамдардан тұрады: 1. Эхокардиография видеофайлдары (.avi форматында). 2. Эхо-видеофайлды жеке .png файлдарына фрагментациялау (модельді оқытудың таңбалау және әрі қарайғы процесі үшін қолданылады).

таңбалау процесіне дайын.

Сегментация міндеті үшін деректерді разметкалау келесі қадамдардан тұрады: 1. https://segments.ai/ — деректерді разметкалау құралы. Деректерді әрі қарай таңбалау процесі үшін алдыңғы қадамнан алынған кескіндерді segments.ai құралына жүктеу. 2. Таңбалау процесінің соңында модельді оқыту процесі үшін пайдалану мақсатында өңделген деректерді шығаруымыз қажет. Segments.ai жаңа деректер жиынтығын шығару үшін қолдануға оңай интерфейсті ұсынады. Қалыпты анатомиясы бар эхокардиография кезінде әрбір стандартты проекция жүрек камераларының нақты құрылымына ие болады. Демек, аннотацияларды олардың бірегей камераларын қоса алғанда, барлық стандартты түрлер үшін орындау қажет. Жүректің 4 камералы проекциясының стандартты түрі келесі белгілеулерді қамтиды: қолқа (Ao), сол жақ жүрекше (LA), сол жақ қарынша (LV), оң жақ жүрекше (RA) және оң жақ қарынша (RV), жүрекшеаралық перденің ақауы (ЖПД), қарыншааралық перденің ақауы (ҚАП), үш жармалы қақпақша (ТК), митральді қақпақша (МК) және қолқа стенозы (АС).

Аннотацияланған кескіндер жүрекшедегі, қарыншадағы немесе екеуінде де ақаудың орналасқан жері туралы көрнекі көрініс береді. Нәтижесінде тегтері бар 401 фотосуреттің барлық жиынтығы таңбаланған аймақтары бар деректер базасы ретінде анықталады және кейіннен келесі статистикалық ақпаратпен бірге сақталады. Осылайша, дәрігерлер 401 кескінге разметка жасады.

Кескіндерді таңбалау процедурасына қатысу үшін кәсіби сарапшылар таңдалды: кардиохирургия саласында жұмыс тәжірибесі бар «Медитерра» жеке медициналық орталығының жоғары санатты дәрігері және Кардиохирургия ғылыми-зерттеу институтының жоғары санатты кардиолог-дәрігері, бұл медициналық кескіндер аннотацияларының кәсібилігі мен дәлдігінің ең жоғары деңгейіне кепілдік береді және оңтайлы нәтижелерге қол жеткізу үшін шешуші мәнге ие. Сондай-ақ жоба аясында адамдармен байланысты зерттеулер жүргізу үшін Этикалық комитеттен рұқсат алынды («ІГФ» РМК Локалдық этикалық комиссиясы отырысының 2023 жылғы 30 қазандағы №3 хаттамасынан үзінді көшірме)

1. Mukasheva, A., Rakhmetulayeva, S., Astaubayeva, G., & Gnatyuk, S. (2022). Developing a system for diagnosing diabetes mellitus using big data. Eastern-European Journal of Enterprise Technologies, 5(2), 75–85. https://doi.org/10.15587/1729-4061.2022.266185
2. Rakhmetulayeva, S., & Syrymbet, Z. (2022). Implementation of convolutional neural network for predicting glaucoma from fundus images. Eastern-European Journal of Enterprise Technologies, 6(2), 70–77. https://doi.org/10.15587/1729-4061.2022.269229
3. Rakhmetulayeva, S. B., Kulbayeva, A. K., & Mukasheva, A. K. (2022). Development of electronic medical records system with data security algorithm in healthcare environment of Kazakhstan. Вестник Алматинского Университета Энергетики и Связи. ISSN 2790-0886.
4. Мукашева, А. (2022). Деректерді өңдеу және талдау. Вестник Алматинского Университета Энергетики И Связи (Монография), Алматы, Казахстан.
5. Rakhmetulayeva, S. B., Ukibassov, B. M., Zhanabekov, Zh. O., & Mukasheva, A. K. (2023). Research on machine learning methods for recognition and classification of cardiovascular pathologies. Вестник Алматинского Университета Энергетики и Связи, DOI: 10.51775/2790-0886_2023_61_2_106
6. Rakhmetulayeva, S., Ukibassov, B., Zhanabekov, Z., & Mukasheva, A. (2023). Machine learning methods and algorithms for predicting congenital heart pathologies. In Proceedings of the 17th IEEE International Conference Application of Information and Communication Technologies (AICT). IEEE. https://doi.org/10.1109/AICT59525.2023.10313184
7. Ukibassov, B. M., Rakhmetulayeva, S. B., Zhanabekov, Zh. O., Bolshibayeva, A. K., & Yasar, A.-U.-H. (2024). Implementation of anatomy constrained contrastive learning for heart chamber segmentation. Procedia Computer Science, 238, 536–543. https://doi.org/10.1016/j.procs.2024.06.057
8. Ukibassov, B. M., Rakhmetulayeva, S. B., & Bolshibayeva, A. K. (2024). Semantic segmentation deep learning models in echocardiography: Custom dataset-based fine-tuning. Абай атындағы ҚазҰПУ-нің ХАБАРШЫСЫ, «Физика-математика ғылымдары» сериясы, 1(85), 149–155. https://doi.org/10.51889/2959-5894.2024.85.1.014
9. Rakhmetulayeva, S., Ukibassov, B., Zhanabekov, Z., & Bolshibayeva, A. (2024). Development of data-efficient training techniques for detection and segmentation models in atrial septum defect analysis. Eastern-European Journal of Enterprise Technologies, 5(131). In press.
10. Bolshibayeva, A., Rakhmetulayeva, S., Ukibassov, B., & Zhanabekov, Z. (2024). Advancing real-time ultrasound heart imaging with a novel hybrid deep learning architecture for enhanced pattern recognition. Eastern-European Journal of Enterprise Technologies, 6(132).
11. Rakhmetulayeva, S. B. (2024). Development of methods and algorithms for machine learning for predicting pathologies of the cardiovascular system based on echocardiography and electrocardiography. BALAUSA print. (Монография) ISBN 978-601-08-4538-1.
12. Sabina Rakhmetulayeva, Zhandos Zhanabekov, Aigerim Bolshibayeva, Evaluation of Modern Generative Networks for EchoCG Image Generation, Computers, Materials and Continua, Volume 81, Issue 3, 2024, Pages 4503-4523, ISSN 1546-2218, https://doi.org/10.32604/cmc.2024.057974