A Hybrid CNN-Transformer Framework for Robust Coronary Artery Stenosis Detection in X-ray Angiography

Hartziekten blijven de belangrijkste doodsoorzaak wereldwijd, en de kern van het probleem is vaak een vernauwing van de slagaders die bloed naar de hartspier toevoeren. Deze aandoening, bekend als coronaire arteriestenose, treedt op wanneer vetafzettingen en calcium zich ophopen in de wanden van de vaten, waardoor de doorstroming van zuurstofrijk bloed wordt beperkt. Als deze vernauwing niet wordt ontdekt of behandeld, kan dit leiden tot een hartaanval. Artsen vertrouwen momenteel op röntgenangiografie om in deze slagaders te kunnen kijken. Bij deze procedure wordt een contrastmiddel in de bloedbaan geïnjecteerd, waardoor de vaten zichtbaar worden op een röntgenscherm. Het interpreteren van deze beelden is echter moeilijk. De beelden zijn vaak korrelig, gevuld met schaduwen van botten zoals ribben en wervels, en rommelig door medische instrumenten. Het interpreteren ervan vereist een menselijke expert die elk frame nauwkeurig bekijkt, een proces dat traag, vermoeiend en gevoelig is voor menselijke fouten.

Om artsen te helpen, hebben wetenschappers zich gericht op kunstmatige intelligentie, specif으로 een type computerprogramma dat deep learning wordt genoemd. Jarenlang waren de meest succesvolle programma's voor deze taak gebouwd op een technologie genaamd Convolutional Neural Networks, of CNN's. Deze programma's zijn uitstekend in het herkennen van lokale details, zoals de scherpe rand van een vaatwand of een specifieke textuur. Echter, ze hebben moeite met het begrijpen van het grotere geheel. Omdat ze zo intensief focussen op kleine, nabijgelegen pixels, raken ze vaak in de war door de ruisige achtergrond, waarbij ze een rib of een katheter aanzien voor een geblokte slagader. Ze missen het vermogen om afstand te nemen en het hele pad van het bloedvat te zien om de werkelijke vorm te begrijpen. Een nieuwere technologie, bekend als de Transformer, lost dit op door de computer in staat te stellen naar de hele afbeelding tegelijk te kijken, waarbij de belangrijkheid van elk deel relatief aan elk ander deel wordt afgewogen. De uitdaging is het combineren van de snelheid van de oudere technologie met het globale begrip van de nieuwe.

In dit onderzoek hebben onderzoekers van verschillende medische universiteiten in Iran een nieuwe oplossing voorgesteld die deze twee benaderingen samenvoegt. Ze ontwikkelden een hybride framework dat gebruikmaakt van een Real-Time Detection Transformer, of RT-DETR, om geblokkeerde slagaders in röntgenbeelden te vinden. In plaats van te vertrouwen op één enkel type computervisie, gebruikt hun systeem een standaard netwerk om de fijne details van de afbeelding te grijpen en geeft die informatie vervolgens door aan een Transformer-module. Deze tweede module fungeert als een globale kaart, die de computer helpt om onderscheid te maken tussen een echte blokkade en een verwarrende schaduw van een rib of een wervelkolom. Het doel was om een hulpmiddel te creëren dat niet alleen zeer nauwkeurig is, maar ook snel genoeg om in real-time te worden gebruikt tijdens een medische procedure.

Het team trainde hun nieuwe systeem met een grote collectie van 8.325 röntgenfoto's van 100 verschillende patiënten. Deze beelden kwamen van een onderzoeksinstituut in Rusland en bevatten een verscheidenheid aan real-world condities, met verschillende resoluties en niveaus van ruis. Om de computer te leren hoe hij met deze moeilijke beelden moet omgaan, gebruikten de onderzoekers een techniek waarbij ze vier verschillende beelden aan elkaar naften tot één grote trainingsafbeelding. Dit dwong het systeem om te leren hoe het kleine blokkades kan opsporen, zelfs wanneer ze worden omringd door complexe en rommelige achtergronden. Ze gebruikten ook een andere methode waarbij ze paren van beelden samenblendden om nieuwe, virtuele voorbeelden te creëren, wat de computer robuuster maakte tegen de willekeurige ruis die in medische scans voorkomt.

Toen de onderzoekers hun nieuwe framework testten tegen bestaande methoden, waren de resultaten duidelijk. Het hybride model bereikte een detectienauwkeurigheid van 97,8 procent, wat hoger is dan de voorheen beste modellen die uitsluitend op oudere technologie vertrouwden. Een van de meest significante verbeteringen was het vinden van kleine blokkades. Het nieuwe systeem identificeerde correct 59,2 procent van deze minuscule laesies, een substantiële sprong vergeleken met de 51,5 procent behaald door het leidende vorige model. Dit is van belang omdat kleine blokkades vaak het moeilijkst te zien zijn, maar ook het gevaarlijkst kunnen zijn als ze worden gemist. De onderzoekers stelden ook vast dat hun systeem opmerkelijk snel was, waarbij het beelden verwerkte met een snelheid van 38 frames per seconde. Dit is meer dan drie keer sneller dan het vorige best presterende model, dat slechts 11 frames per seconde haalde.

De studie suggereert dat deze nieuwe benadering erin slaagt de kloof te overbruggen tussen hoge nauwkeurigheid en de snelheid die vereist is voor klinisch gebruik. Door de mogelijkheid om fijne details te zien te combineren met de kracht om de volledige context van de afbeelding te begrijpen, vermindert het systeem het aantal valse alarmen veroorzaakt door achtergrondruis. De auteurs merken op dat hoewel de resultaten veelbelovend zijn, het systeem is getest op data uit een enkele bron, en dat verdere werk nodig is om te garanderen dat het even goed werkt op beelden van verschillende ziekenhuizen en apparaten. Desalniettemin wijzen de bevindingen erop dat dit hybride framework een robuust en efficiënt hulpmiddel biedt dat op een dag cardiologen kan ondersteunen bij het maken van snellere, betrouwbaardere beslissingen tijdens kritieke hartprocedures.