Deep Learning based algorithms for Stenosis detection in X-Ray Coronary Angiography imaging

Abstract

La enfermedad coronaria es la principal causa de muerte en todo el mundo, con un estimado de 17,9 millones de muertes al año. Esta afección se caracteriza por la acumulación de placa dentro de las arterias coronarias, que suministran sangre al músculo cardíaco. La acumulación de placa estrecha las arterias, lo que reduce el flujo de sangre al músculo cardíaco. La detección temprana de la enfermedad de las arterias coronarias es crucial porque permite la intervención y el tratamiento oportunos, lo que puede ayudar a prevenir que la enfermedad progrese y cause complicaciones graves, como ataques cardíacos, insuficiencia cardíaca e incluso la muerte. Este trabajo propone varias metodologías novedosas basadas en el aprendizaje profundo para detectar estenosis en imágenes de angiografía coronaria de rayos X. El primer enfoque implica el uso de redes neuronales convolucionales (CNN) previamente entrenadas en ImageNet, como VGG16, ResNet50 e Inception-v3, con estrategias de ajuste y corte. El método propuesto supera a las redes preentrenadas y a los modelos entrenados desde cero, con un ResNet50 optimizado que logra los mejores resultados y requiere menos parámetros que Inception-v3 y VGG16. El segundo enfoque es una red híbrida clásica-cuántica, que combina una CNN clásica y una red cuántica (QN). Este esquema mejora la detección de estenosis con respecto a los enfoques clásicos de aprendizaje por transferencia. La principal contribución de esta investigación estuvo relacionada con la arquitectura QN, donde múltiples (y más pequeños) circuitos cuánticos variacionales (VQC) pueden reemplazar un solo VQC impulsando el modelo híbrido. La tercera propuesta es el modelo generativo jerárquico Bezier, que genera un conjunto de datos etiquetados a gran escala para la detección de estenosis en imágenes XCA. El modelo generativo se basa en el conocimiento previo de la estructura de los vasos sanguíneos. Demuestra el valor de transferir los pesos previamente entrenados utilizando un conjunto de datos (artificiales) más parecido en lugar del conjunto de datos de ImageNet para tareas de detección de estenosis con solo datos limitados disponibles. Por último, se introdujeron las Redes de Atención Residual Livianas (LRA-Nets) para la detección de estenosis, que consisten en Convoluciones Separables Profundas, factor de poda para las capas convolucionales y un módulo de atención. LRA-Nets supera a los modelos Residual con o sin mecanismos de atención y logra un mejor rendimiento de clasificación empleando un factor de reducción más pequeño para los bloques de atención. La técnica Gradient-weighted Class Activation Map (GradCAM) proporciona una explicación visual de la predicción de cada modelo, lo que permite obtener no solo una probabilidad de estenosis, sino también un mapa de calor explicable de las regiones de alta atención que se puede utilizar en la praxis médica.