Разработка методов и алгоритмов машинного обучения для прогнозирования патологий сердечно-сосудистой системы на основе эхокардиографии и электрокардиографии

Разработка методов автоматической аннотации и расшифровки ЭхоКГ и ЭКГ на основе собранных размеченных данных для определения максимально возможного набора аномалий снимков и физического состояния сердца с использованием CNN алгоритма. Разработка качественной оценки ЭхоКГ снимка и ЭКГ данных с возможностью автокоррекции артефактов изображения с помощью CNN алгоритма.

• Исследованы существующие методы и алгоритмы для визуализации и диагностики сердечно-сосудистых заболеваний в области искусственного интеллекта для кардиологических специалистов.
• Проведен анализ применимости концепции искусственного интеллекта для визуализации и диагностики сердечно-сосудистых заболеваний.
• Проведен аналитический обзор и группирование методов унификации и классификации для визуализации и диагностики сердечно-сосудистых заболеваний.
• Разработана система ключевых показателей для визуализации и диагностики сердечно-сосудистых заболеваний с использованием технологий искусственного интеллекта.
• Применены вычислительные и статистические алгоритмы для модели машинного обучения при диагностике сердечно-сосудистых заболеваний.
• Собраны и обработаны данные на основе эхокардиограмм и электрокардиограмм.
• Разработаны и визуализированы математические модели принятия решений. Стандартная двумерная (2D) трансторакальная эхокардиография позволяет получить несколько видеороликов с разных точек зрения с использованием двухмерных изображений поперечного сечения. Видеоклипы не всегда могут включать в себя помеченные виды, поэтому идентификация просмотра является важнейшим процессом в приложениях искусственного интеллекта. Этот шаг необходим перед обучением глубокой нейронной сети и проведением автоматизированных измерений и интерпретации изображений. Правильный выбор перспективы необходим для точной оценки эхокардиографии. Более того, учитывая, что для обучения алгоритмов глубокого обучения необходимо значительное количество аннотированных данных, наличие алгоритма идентификации представления, способного справиться с этой трудоемкой задачей. Ожидается, что этап предварительной обработки ускорит развитие приложений искусственного интеллекта в эхокардиографии.

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

данных (a — видеофайлы эхокардиографии; b — файлы .png; c — инструмент маркировки данных; d — процесс маркировки)

Предварительная обработка данных состоит из следующих шагов: 1. Видеофайлы эхокардиографии (в формате .avi). 2. Фрагментация эхо-видеофайла на отдельные файлы .png (используется для маркировки и дальнейшего процесса обучения модели).

готовых для процесса маркировки.

Разметка данных для задачи сегментации состоит из следующих шагов: 1. https://segments.ai/ — инструмент разметки данных. Загрузка изображений с предыдущего шага в инструмент сегментов.ai для дальнейшего процесса маркировки данных. 2. К концу процесса маркировки нам необходимо выпустить уже помеченные данные, чтобы использовать их для процесса обучения модели. Segments.ai предоставляет простой в использовании интерфейс для выпуска новых наборов данных. При эхокардиографии с нормальной анатомией каждая стандартная проекция имеет четкое строение камер сердца. Следовательно, аннотации следует выполнять для всех стандартных видов, включая их уникальные камеры. Стандартный вид 4-х камерной проекции сердца включает следующие разметки: аорту (Ao), левое предсердие (LA), левый желудочек (LV), правое предсердие (RA) и правый желудочек (RV), дефект межпредсердной перегородки (ДМПП), дефект межжелудочковой перегородки (ДМЖП), трехстворчатый клапан (ТК), митраль- НАУЧНО-ИССЛЕДОВАТЕЛЬСКОГО ПРО ный клапан (МК) и стеноз аорты (АС).

Аннотированные изображения дают визуальное представление о расположении дефекта в предсердии, желудочке или в обоих. В конечном итоге весь набор из 401 фотографий с тегами определяется как база данных с размеченными областями и затем сохраняется вместе со следующей статистической информацией. Таким образом, врачи выполнили разметку 401 изображения.

Для участия в процедуре маркировки изображений были выбраны профессионалы-эксперты: врач высшей категории частного медицинского центра «Медитерра» с опытом работы в области кардиохирургии и врач-кардиолог высшей категории из Научно-исследовательского института кардиохирургии, что гарантирует высочайший уровень профессионализма и точности аннотаций медицинских изображений и имеет решающее значение для достижения оптимальных результатов процедуры. Также в рамках проекта было получено разрешение с Этического комитета для проведения исследований связанных с людьми (Выписка из протокола №3 от 30 октября 2023 года заседания Локальной Этической комиссии РГП “ИГФ”)

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