Применение искусственного интеллекта в диагностике кальцификации артерий

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. Показатели заболеваемости населения Российской Федерации патологиями системы кровообращения за прошедшие два десятилетия постоянно повышались, и с 2000 г. до 2019 г. увеличились в 2,047 раза. Процесс кальцификации сосудов включает отложение солей кальция в стенке артерий, что приводит к ремоделированию сосудистой стенки. Лучевые методы исследования — золотой стандарт диагностики кальцификации сосудов. Однако в связи с возрастающим объёмом данных и необходимостью сокращения времени постановки диагноза неизбежно снижается эффективность работы. Активное развитие и внедрение в клиническую практику искусственного интеллекта открыло перед специалистами возможности для решения этих проблем.

Цель — проанализировать отечественную и зарубежную литературу, посвящённую использованию искусственного интеллекта в диагностике различных типов кальцификации сосудов, а также обобщить прогностическую ценность кальцификации сосудов и оценить аспекты, препятствующие диагностике кальцификации сосудов без применения искусственного интеллекта.

Материалы и методы. Авторы провели поиск публикаций в электронных базах данных PubMed, Web of Science, Google Scholar и eLibrary. Поиск проводился по следующим ключевым словам: «artificial intelligence», «machine learning», «vascular calcification», «искусственный интеллект», «машинное обучение», «кальцификация сосудов». Поиск проводился во временном интервале с момента основания соответствующей базы данных до июля 2023 года.

Результаты. Основная методология включённых в обзор исследований заключалась в сравнении диагностических способностей клиницистов и искусственного интеллекта с применением одних и тех же изображений и последующей оценкой точности, скорости и других показателей. Участки возникновения сосудистых кальцификаций весьма разно-образны, что обусловливает их различную прогностическую ценность.

Заключение. Искусственный интеллект отлично зарекомендовал себя в диагностике сосудистой кальцификации. Помимо повышения точности и эффективности, способности к детализации превосходят возможности ручного метода диагностики. Искусственный интеллект достиг уровня, позволяющего помогать врачам инструментальной диагностики в автоматическом выявлении кальцификации сосудов. Возможности искусственного интеллекта могут способствовать эффективному развитию рентгенологии в будущем.

Об авторах

Юрий Александрович Трусов

Самарский государственный медицинский университет

Email: yu.a.trusov@samsmu.ru
ORCID iD: 0000-0001-6407-3880
SPIN-код: 3203-5314
Россия, Самара

Виктория Сергеевна Чупахина

Ростовский государственный медицинский университет

Email: chupalhina@bk.ru
ORCID iD: 0009-0003-8318-3673
SPIN-код: 4402-7476
Россия, Ростов-на-Дону

Адиля Салаватовна Нуркаева

Башкирский государственный медицинский университет

Email: vkomissiya@inbox.ru
ORCID iD: 0009-0006-8621-5580
SPIN-код: 3307-5546
Россия, Уфа

Наталья Александровна Яковенко

Первый Московский государственный медицинский университет им. И.М. Сеченова

Email: tigris2011@yandex.ru
ORCID iD: 0009-0005-6726-9623
SPIN-код: 4415-2236
Россия, Москва

Ирина Витальевна Абленина

Оренбургский государственный медицинский университет

Email: aninelba@gmail.com
ORCID iD: 0009-0006-6222-9339
SPIN-код: 4123-3336
Россия, Оренбург

Роксана Фанилевна Латыпова

Оренбургский государственный медицинский университет

Email: roxevansss@gmail.com
ORCID iD: 0009-0004-5057-6451
SPIN-код: 3542-3376
Россия, Оренбург

Александра Петровна Питке

Оренбургский государственный медицинский университет

Email: pitkea00@gmail.com
ORCID iD: 0009-0002-1111-759X
SPIN-код: 3726-4213
Россия, Оренбург

Анастасия Алексеевна Язовских

Башкирский государственный медицинский университет

Email: anyaz.bgmu@yandex.ru
ORCID iD: 0000-0002-3955-0830
SPIN-код: 3543-5323
Россия, Уфа

Артем Сергеевич Иванов

Башкирский государственный медицинский университет

Email: artem.ivanov656@yandex.ru
ORCID iD: 0009-0000-3562-8293
SPIN-код: 4834-5324
Россия, Уфа

Дарья Сергеевна Богатырева

Российский национальный исследовательский медицинский университет им. Н.И. Пирогова

Email: diria1012@yandex.ru
ORCID iD: 0009-0004-5055-8819
SPIN-код: 3331-3421
Россия, Москва

Ульяна Андреевна Попова

Российский университет медицины

Email: ulyanka.popova.2000@gmail.com
ORCID iD: 0009-0002-7994-5631
SPIN-код: 3452-2543
Россия, Москва

Азат Флюрович Юзлекбаев

Башкирский государственный медицинский университет

Автор, ответственный за переписку.
Email: ztl5@rambler.ru
ORCID iD: 0009-0002-8799-4732
SPIN-код: 4812-3213
Россия, Уфа

Список литературы

  1. Шарапова О.В., Кича Д.И., Герасимова Л.И., и др. Картографический анализ показателей заболеваемости и смертности от болезней системы кровообращения населения Российской Федерации (2010-2019 гг.) // Комплексные проблемы сердечно-сосудистых заболеваний. 2022. Т. 11, № 1. С. 56–68. EDN: ZUQVNA doi: 10.17802/2306-1278-2022-11-1-56-68
  2. Мальков О.А., Говорухина А.А., Бурыкин Ю.Г., Афинеевская А.Ю. Роль кальцификации в патогенезе воспалительной реакции артериальной стенки (на примере сосудов шеи и головы взрослого населения) // Журнал медико-биологических исследований. 2021. Т. 9, № 4. С. 435–443. EDN: FTSKDS doi: 10.37482/2687-1491-Z081
  3. Арчакова Т.В., Недосугова Л.В. Факторы кальцификации сосудов у пациентов с сахарным диабетом 2 типа, получающих лечение программным гемодиализом // Сахарный диабет. 2020. Т. 23, № 2. С. 125–131. EDN: KPXIVL doi: 10.14341/DM10145
  4. Mori H, Torii S, Kutyna M, et al. Coronary Artery Calcification and its Progression: What Does it Really Mean? // JACC Cardiovasc Imaging. 2018. Vol. 11, N 1. P. 127–142. doi: 10.1016/j.jcmg.2017.10.012
  5. Йео К.К. Искусственный интеллект в кардиологии: сработал ли он? // Российский журнал персонализированной медицины. 2022. Т. 2, № 6. С. 16–22. EDN: UIENOT doi: 10.18705/2782-3806-2022-2-6-16-22
  6. Карпов О.Э., Андриков Д.А., Максименко В.А., Храмов А.Е. Прозрачный искусственный интеллект для медицины // Врач и информационные технологии. 2022. № 2. С. 4–11. EDN: DTCAWX doi: 10.25881/18110193_2022_2_4
  7. Greenland P., LaBree L., Azen S.P., et al. Coronary artery calcium score combined with Framingham score for risk prediction in asymptomatic individuals // JAMA. 2004. Vol. 291, N 2. P. 210–215. doi: 10.1001/jama.291.2.210
  8. Criqui M.H., Denenberg J.O., Ix J.H., et al. Calcium density of coronary artery plaque and risk of incident cardiovascular events // JAMA. 2014. Vol. 311, N 3. P. 271–278. doi: 10.1001/jama.2013.282535
  9. Carr J.J., Jacobs D.R. Jr, Terry J.G., et al. Association of Coronary Artery Calcium in Adults Aged 32 to 46 Years With Incident Coronary Heart Disease and Death // JAMA Cardiol. 2017. Vol. 2, N 4. P. 391–399. doi: 10.1001/jamacardio.2016.5493
  10. Халиков А.А., Кузнецов К.О., Искужина Л.Р., и др. Судебно-медицинские аспекты внезапной аутопсия-отрицательной сердечной смерти // Судебно-медицинская экспертиза. 2021. Т. 64, № 3. С. 59–63. doi: 10.17116/sudmed20216403159
  11. Eisen A., Tenenbaum A., Koren-Morag N., et al. Calcification of the thoracic aorta as detected by spiral computed tomography among stable angina pectoris patients: association with cardiovascular events and death // Circulation. 2008. Vol. 118, N 13. P. 1328–1334. doi: 10.1161/CIRCULATIONAHA.107.712141
  12. Itani Y., Watanabe S., Masuda Y. Relationship between aortic calcification and stroke in a mass screening program using a mobile helical computed tomography unit // Circ J. 2006. Vol. 70, N 6. P. 733–736. doi: 10.1253/circj.70.733
  13. Lee R., Matsutani N., Polimenakos A.C., et al. Preoperative noncontrast chest computed tomography identifies potential aortic emboli // Ann Thorac Surg. 2007. Vol. 84, N 1. P. 38–42. doi: 10.1016/j.athoracsur.2007.03.025
  14. Zweig B.M., Sheth M., Simpson S., Al-Mallah M.H. Association of abdominal aortic calcium with coronary artery calcium and obstructive coronary artery disease: a pilot study // Int J Cardiovasc Imaging. 2012. Vol. 28, N 2. P. 399–404. doi: 10.1007/s10554-011-9818-1
  15. An C., Lee H.J., Lee H.S., et al. CT-based abdominal aortic calcification score as a surrogate marker for predicting the presence of asymptomatic coronary artery disease // Eur Radiol. 2014. Vol. 24, N 10. P. 2491–2498. doi: 10.1007/s00330-014-3298-3
  16. Мельников М.В., Зелинский В.А., Жорина А.С., Чуглова Д.А. Кальцификация абдоминальной аорты при периферическом атеросклерозе: факторы риска и маркёры // Атеросклероз и дислипидемии. 2014. № 3. С. 33–38. EDN: SISNRZ
  17. Bagger Y.Z., Tankó L.B., Alexandersen P., et al. Radiographic measure of aorta calcification is a site-specific predictor of bone loss and fracture risk at the hip // J Intern Med. 2006. Vol. 259, N 6. P. 598–605. doi: 10.1111/j.1365-2796.2006.01640.x
  18. Szulc P., Blackwell T., Schousboe J.T., et al. High hip fracture risk in men with severe aortic calcification: MrOS study // J Bone Miner Res. 2014. Vol. 29, N 4. P. 968–975. doi: 10.1002/jbmr.2085
  19. Лобанова Н.Ю., Чичерина Е.Н., Мальчикова С.В., Максимчук-Колобова Н.С. Напряжение сдвига на эндотелии стенки сонной артерии и кальциноз коронарных артерий у пациентов с гипертонической болезнью // Южно-Российский журнал терапевтической практики. 2022. Т. 3, № 3. С. 60–67. EDN: QWCOCH doi: 10.21886/2712-8156-2022-3-3-60-67
  20. Kim J.T., Yoo S.H., Kwon J.H., et al. Subtyping of ischemic stroke based on vascular imaging: analysis of 1,167 acute, consecutive patients // J Clin Neurol. 2006. Vol. 2, N 4. P. 225–230. doi: 10.3988/jcn.2006.2.4.225
  21. Wong L.K. Global burden of intracranial atherosclerosis // Int J Stroke. 2006. Vol. 1, N 3. P. 158–159. doi: 10.1111/j.1747-4949.2006.00045.x
  22. Kockelkoren R., De Vis J.B., de Jong P.A., et al. Intracranial Carotid Artery Calcification From Infancy to Old Age // J Am Coll Cardiol. 2018. Vol. 72, N 5. P. 582–584. doi: 10.1016/j.jacc.2018.05.021
  23. Huang Z., Xiao J., Xie Y., et al. The correlation of deep learning-based CAD-RADS evaluated by coronary computed tomography angiography with breast arterial calcification on mammography // Sci Rep. 2020. Vol. 10, N 1. P. 11532. doi: 10.1038/s41598-020-68378-4
  24. Бочкарева Е.В., Бутина Е.К., Байрамкулова Н.Х., и др. Распространенность и степень тяжести кальциноза артерий молочной железы — нового маркёра сердечно-сосудистого риска у женщин // Рациональная Фармакотерапия в Кардиологии. 2022. Т. 18, № 5. С. 530–535. EDN: HUFTZE doi: 10.20996/1819-6446-2022-09-01
  25. Бочкарева Е.В., Бутина Е.К., Байрамкулова Н.Х., Драпкина О.М. Кальциноз артерий молочной железы и сахарный диабет: клинический пример и краткий обзор литературы // Профилактическая медицина. 2021. Т. 24, № 9. С. 97–101. EDN: QPQDLT doi: 10.17116/profmed20212409197
  26. Бочкарева Е.В., Бутина Е.К., Савин А.С., и др. Кальциноз артерий молочной железы: потенциальный суррогатный маркёр цереброваскулярных заболеваний // Профилактическая медицина. 2020. Т. 23, № 5. С. 164–169. EDN: IRHLDZ doi: 10.17116/profmed202023051164
  27. Бочкарева Е.В., Бутина Е.К., Савин А.С., Драпкина О.М. Кальциноз артерий молочной железы и остеопороз у женщины в постменопаузе (клинический случай и мнение по проблеме) // Кардиоваскулярная терапия и профилактика. 2020. Т. 19, № 4. С. 2574. EDN: RTDDQG doi: 10.15829/1728-8800-2020-2574
  28. Wang J., Ding H., Bidgoli F.A., et al. Detecting Cardiovascular Disease from Mammograms With Deep Learning // IEEE Trans Med Imaging. 2017. Vol. 36, N 5. P. 1172–1181. doi: 10.1109/TMI.2017.2655486
  29. Голубев Н.А., Огрызко Е.В., Тюрина Е.М., Шелепова Е.А., Шелехов П.В. Особенности развития службы лучевой диагностики в Российской Федерации за 2014–2019 года // Современные проблемы здравоохранения и медицинской статистики. 2021. № 2. С. 356–376. EDN: EHSADW doi: 10.24412/2312-2935-2021-2-356-376
  30. Krupinski E.A., Berbaum K.S., Caldwell R.T., et al. Long radiology workdays reduce detection and accommodation accuracy // J Am Coll Radiol. 2010. Vol. 7, N 9. P. 698–704. doi: 10.1016/j.jacr.2010.03.004
  31. Lee C.S., Nagy P.G., Weaver S.J., Newman-Toker D.E. Cognitive and system factors contributing to diagnostic errors in radiology // AJR Am J Roentgenol. 2013. Vol. 201, N 3. P. 611–617. doi: 10.2214/AJR.12.10375
  32. Николаев А.Е., Шапиев А.Н., Блохин И.А., и др. Новые подходы к оценке изменений коронарных артерий при мультиспиральной компьютерной томографии // Российский кардиологический журнал. 2019. № 12. С. 124–130. EDN: VHYAYK doi: 10.15829/1560-4071-2019-12-124-130
  33. Guo X., O’Neill W.C., Vey B., et al. SCU-Net: A deep learning method for segmentation and quantification of breast arterial calcifications on mammograms // Med Phys. 2021. Vol. 48, N 10. P. 5851–5861. doi: 10.1002/mp.15017
  34. Yacoub B., Kabakus I.M., Schoepf U.J., et al. Performance of an Artificial Intelligence-Based Platform Against Clinical Radiology Reports for the Evaluation of Noncontrast Chest CT // Acad Radiol. 2022. Vol. 29, N 2. P. 108–117. doi: 10.1016/j.acra.2021.02.007
  35. Isgum I., Rutten A., Prokop M., van Ginneken B. Detection of coronary calcifications from computed tomography scans for automated risk assessment of coronary artery disease // Med Phys. 2007. Vol. 34, N 4. P. 1450–1461. doi: 10.1118/1.2710548
  36. Kurkure U., Chittajallu D.R., Brunner G., et al. A supervised classification-based method for coronary calcium detection in non-contrast CT // Int J Cardiovasc Imaging. 2010. Vol. 26, N 7. P. 817–828. doi: 10.1007/s10554-010-9607-2
  37. Brunner G., Chittajallu D.R., Kurkure U., Kakadiaris I.A. Toward the automatic detection of coronary artery calcification in non-contrast computed tomography data // Int J Cardiovasc Imaging. 2010. Vol. 26, N 7. P. 829–838. doi: 10.1007/s10554-010-9608-1
  38. Brunner G., Kurkure U., Chittajallu D.R., et al. Toward unsupervised classification of calcified arterial lesions // Med Image Comput Comput Assist Interv. 2008. Vol. 11, N 1. P. 144-152. doi: 10.1007/978-3-540-85988-8_18
  39. Takx R.A., de Jong P.A., Leiner T., et al. Automated coronary artery calcification scoring in non-gated chest CT: agreement and reliability // PLoS One. 2014. Vol. 9, N 3. P. e91239. doi: 10.1371/journal.pone.0091239
  40. Wolterink J.M., Leiner T., Takx R.A., et al. Automatic Coronary Calcium Scoring in Non-Contrast-Enhanced ECG-Triggered Cardiac CT With Ambiguity Detection // IEEE Trans Med Imaging. 2015. Vol. 34, N 9. P. 1867–1878. doi: 10.1109/TMI.2015.2412651
  41. Saur S.C., Alkadhi H., Desbiolles L., et al. Automatic detection of calcified coronary plaques in computed tomography data sets // Med Image Comput Comput Assist Interv. 2008. Vol. 11, N 1. P. 170–177. doi: 10.1007/978-3-540-85988-8_21
  42. Yang G., Chen Y., Ning X., et al. Automatic coronary calcium scoring using noncontrast and contrast CT images // Med Phys. 2016. Vol. 43, N 5. P. 2174. doi: 10.1118/1.4945045
  43. Jiang B., Guo N., Ge Y., et al. Development and application of artificial intelligence in cardiac imaging // Br J Radiol. 2020. Vol. 93, N 1113. P. 20190812. doi: 10.1259/bjr.20190812
  44. Shahzad R., van Walsum T., Schaap M., et al. Vessel specific coronary artery calcium scoring: an automatic system // Acad Radiol. 2013. Vol. 20, N 1. P. 1–9. doi: 10.1016/j.acra.2012.07.018
  45. Cano-Espinosa C., González G., Washko G.R., et al. Automated Agatston Score Computation in non-ECG Gated CT Scans Using Deep Learning // Proc SPIE Int Soc Opt Eng. 2018. Vol. 10574. P. 105742K. doi: 10.1117/12.2293681
  46. Gogin N., Viti M., Nicodème L., et al. Automatic coronary artery calcium scoring from unenhanced-ECG-gated CT using deep learning // Diagn Interv Imaging. 2021. Vol. 102, N 11. P. 683–690. doi: 10.1016/j.diii.2021.05.004
  47. Wolterink J.M., Leiner T., de Vos B.D., et al. Automatic coronary artery calcium scoring in cardiac CT angiography using paired convolutional neural networks // Med Image Anal. 2016. Vol. 34. P. 123–136. doi: 10.1016/j.media.2016.04.004
  48. Wang W., Wang H., Chen Q., et al. Coronary artery calcium score quantification using a deep-learning algorithm // Clin Radiol. 2020. Vol. 75, N 3. P. 237.e11–237.e16. doi: 10.1016/j.crad.2019.10.012
  49. Singh G., Al’Aref S.J., Lee B.C., et al. End-to-End, Pixel-Wise Vessel-Specific Coronary and Aortic Calcium Detection and Scoring Using Deep Learning // Diagnostics (Basel). 2021. Vol. 11, N 2. P. 215. doi: 10.3390/diagnostics11020215
  50. Martin S.S., van Assen M., Rapaka S., et al. Evaluation of a Deep Learning-Based Automated CT Coronary Artery Calcium Scoring Algorithm // JACC Cardiovasc Imaging. 2020. Vol. 13, N 1. P. 524–526. doi: 10.1016/j.jcmg.2019.09.015
  51. Zhang N., Yang G., Zhang W., et al. Fully automatic framework for comprehensive coronary artery calcium scores analysis on non-contrast cardiac-gated CT scan: Total and vessel-specific quantifications // Eur J Radiol. 2021. Vol. 134. P. 109420. doi: 10.1016/j.ejrad.2020.109420
  52. de Vos B.D., Wolterink J.M., Leiner T., et al. Direct Automatic Coronary Calcium Scoring in Cardiac and Chest CT // IEEE Trans Med Imaging. 2019. Vol. 38, N 9. P. 2127–2138. doi: 10.1109/TMI.2019.2899534
  53. AlGhamdi M., Abdel-Mottaleb M., Collado-Mesa F. DU-Net: Convolutional Network for the Detection of Arterial Calcifications in Mammograms // IEEE Trans Med Imaging. 2020. Vol. 39, N 10. P. 3240–3249. doi: 10.1109/TMI.2020.2989737
  54. Николаев А.Е., Коркунова О.А., Хуторной И.В., и др. Сопоставимость методик оценки коронарных рисков по данным ультра-НДКТ грудной клетки и КТ-коронарографии с ЭКГ-синхронизацией // Медицинская визуализация. 2021. Т. 25, № 4. С. 75–92. EDN: CMSGAX doi: 10.24835/1607-0763-1047
  55. van Assen M., Martin S.S., Varga-Szemes A., et al. Automatic coronary calcium scoring in chest CT using a deep neural network in direct comparison with non-contrast cardiac CT: A validation study // Eur J Radiol. 2021. Vol. 134. P. 109428. doi: 10.1016/j.ejrad.2020.109428
  56. Николаев А.Е., Шапиев А.Н., Блохин И.А. Стандартизация оценки кальцификации коронарных артерий на бесконтрастных компьютерных томограммах без ЭКГ-синхронизации // Radiology Study. 2020. Т. 3, № 2. С. 45–52. EDN: VVGXBI
  57. Isgum I., Prokop M., Niemeijer M., et al. Automatic coronary calcium scoring in low-dose chest computed tomography // IEEE Trans Med Imaging. 2012. Vol. 31, N 12. P. 2322–2334. doi: 10.1109/TMI.2012.2216889
  58. Wolterink J.M., Leiner T., Viergever M.A., Isgum I. Generative Adversarial Networks for Noise Reduction in Low-Dose CT // IEEE Trans Med Imaging. 2017. Vol. 36, N 12. P. 2536–2545. doi: 10.1109/TMI.2017.2708987
  59. Klug M., Shemesh J., Green M., et al. A deep-learning method for the denoising of ultra-low dose chest CT in coronary artery calcium score evaluation // Clin Radiol. 2022. Vol. 77, N 7. P. 509–517. doi: 10.1016/j.crad.2022.03.005
  60. Sun Z., Ng C.K.C. Artificial Intelligence (Enhanced Super-Resolution Generative Adversarial Network) for Calcium Deblooming in Coronary Computed Tomography Angiography: A Feasibility Study // Diagnostics (Basel). 2022. Vol. 12, N 4. P. 991. doi: 10.3390/diagnostics12040991
  61. Eng D., Chute C., Khandwala N., et al. Automated coronary calcium scoring using deep learning with multicenter external validation // NPJ Digit Med. 2021. Vol. 4, N 1. P. 88. doi: 10.1038/s41746-021-00460-1
  62. Морозов С.П., Кокина Д.Ю., Павлов Н.А., и др. Клинические аспекты применения искусственного интеллекта для интерпретации рентгенограмм органов грудной клетки // Туберкулез и болезни легких. 2021. Т. 99, № 4. С. 58–64. doi: 10.21292/2075-1230-2021-99-4-58-64
  63. Kamel P.I., Yi P.H., Sair H.I., Lin C.T. Prediction of Coronary Artery Calcium and Cardiovascular Risk on Chest Radiographs Using Deep Learning // Radiol Cardiothorac Imaging. 2021. Vol. 3, N 3. P. e200486. doi: 10.1148/ryct.2021200486
  64. Du T., Xie L., Zhang H., et al. Training and validation of a deep learning architecture for the automatic analysis of coronary angiography // EuroIntervention. 2021. Vol. 17, N 1. P. 32–40. doi: 10.4244/EIJ-D-20-00570
  65. Isgum I., Rutten A., Prokop M., et al. Automated aortic calcium scoring on low-dose chest computed tomography // Med Phys. 2010. Vol. 37, N 2. P. 714–723. doi: 10.1118/1.3284211
  66. de Vos B.D., Lessmann N., de Jong P.A., Išgum I. Deep Learning-Quantified Calcium Scores for Automatic Cardiovascular Mortality Prediction at Lung Screening Low-Dose CT // Radiol Cardiothorac Imaging. 2021. Vol. 3, N 2. P. e190219. doi: 10.1148/ryct.2021190219
  67. van Velzen S.G.M., Lessmann N., Velthuis B.K., et al. Deep Learning for Automatic Calcium Scoring in CT: Validation Using Multiple Cardiac CT and Chest CT Protocols // Radiology. 2020. Vol. 295, N 1. P. 66–79. doi: 10.1148/radiol.2020191621
  68. Guilenea F.N., Casciaro M.E., Pascaner A.F., et al. Thoracic Aorta Calcium Detection and Quantification Using Convolutional Neural Networks in a Large Cohort of Intermediate-Risk Patients // Tomography. 2021. Vol. 7, N 4. P. 636–649. doi: 10.3390/tomography7040054
  69. Reid S., Schousboe J.T., Kimelman D., et al. Machine learning for automated abdominal aortic calcification scoring of DXA vertebral fracture assessment images: A pilot study // Bone. 2021. Vol. 148. P. 115943. doi: 10.1016/j.bone.2021.115943
  70. Graffy P.M., Liu J., O’Connor S., et al. Automated segmentation and quantification of aortic calcification at abdominal CT: application of a deep learning-based algorithm to a longitudinal screening cohort // Abdom Radiol (NY). 2019. Vol. 44, N 8. P. 2921–2928. doi: 10.1007/s00261-019-02014-2
  71. van Engelen A., Niessen W.J., Klein S., et al. Atherosclerotic plaque component segmentation in combined carotid MRI and CTA data incorporating class label uncertainty // PLoS One. 2014. Vol. 9, N 4. P. e94840. doi: 10.1371/journal.pone.0094840
  72. Онищенко П.С., Клышников К.Ю., Овчаренко Е.А. Искусственные нейронные сети в кардиологии: анализ графических данных // Бюллетень сибирской медицины. 2021. Т. 20, № 4. С. 193–204. EDN: XVBERA doi: 10.20538/1682-0363-2021-4-193-204
  73. Bortsova G., Bos D., Dubost F., et al. Automated Segmentation and Volume Measurement of Intracranial Internal Carotid Artery Calcification at Noncontrast CT // Radiol Artif Intell. 2021. Vol. 3, N 5. P. e200226. doi: 10.1148/ryai.2021200226
  74. Li D., Qiao H., Han Y., et al. Histological validation of simultaneous non-contrast angiography and intraplaque hemorrhage imaging (SNAP) for characterizing carotid intraplaque hemorrhage // Eur Radiol. 2021. Vol. 31, N 5. P. 3106–3115. doi: 10.1007/s00330-020-07352-0
  75. Chen S., Ning J., Zhao X., et al. Fast simultaneous noncontrast angiography and intraplaque hemorrhage (fSNAP) sequence for carotid artery imaging // Magn Reson Med. 2017. Vol. 77, N 2. P. 753–758. doi: 10.1002/mrm.26111
  76. Qi H., Sun J., Qiao H., et al. Carotid Intraplaque Hemorrhage Imaging with Quantitative Vessel Wall T1 Mapping: Technical Development and Initial Experience // Radiology. 2018. Vol. 287, N 1. P. 276–284. doi: 10.1148/radiol.2017170526
  77. Cheng J.Z., Cole E.B., Pisano E.D., Shen D. Detection of arterial calcification in mammograms by random walks // Inf Process Med Imaging. 2009. Vol. 21. P. 713–724. doi: 10.1007/978-3-642-02498-6_59
  78. Ломаков С.Ю. Объёмы маммографических исследований в современных условиях проведения профилактических мероприятий // Профилактическая медицина. 2020. Т. 23, № 4. С. 41–44. EDN: OUUINQ doi: 10.17116/profmed20202304141
  79. Roseman D.A., Hwang S.J., Manders E.S., et al. Renal artery calcium, cardiovascular risk factors, and indexes of renal function // Am J Cardiol. 2014. Vol. 113, N 1. P. 156–161. doi: 10.1016/j.amjcard.2013.09.036

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Эко-вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».