Artificial neural networks classify myocardial perfusion images
(2000)- Abstract
- In the studies of this thesis, a method for automated classification of myocardial perfusion images was successfully developed and evaluated. The results show that the method, based on artificial neural networks, was equally good, or even better than human experts. It was also found that physicians interpreting myocardial perfusion images benefit from the advice of the artificial neural networks. Furthermore the neural networks could be trained to present clinical interpretations including the information regarding extent and severity of reversible and irreversible defects. At last, it was shown that the networks can maintain it's high accuracy also in a hospital separate from where it was developed. In conclusion, these studies show the... (More)
- In the studies of this thesis, a method for automated classification of myocardial perfusion images was successfully developed and evaluated. The results show that the method, based on artificial neural networks, was equally good, or even better than human experts. It was also found that physicians interpreting myocardial perfusion images benefit from the advice of the artificial neural networks. Furthermore the neural networks could be trained to present clinical interpretations including the information regarding extent and severity of reversible and irreversible defects. At last, it was shown that the networks can maintain it's high accuracy also in a hospital separate from where it was developed. In conclusion, these studies show the feasibility of developing a decision-support system for the interpretation of myocardial perfusion images. The clinical implication of such a decision-support system could be significant. For patients newly presenting with possible coronary artery disease, it has been shown that investigative strategies using myocardial perfusion imaging are more cost-effective than strategies that don't. Decision support for the interpretation of myocardial perfusion images, such as artificial neural network, could further improve this cost-effectiveness. (Less)
- Abstract (Swedish)
- Popular Abstract in Swedish
Populärvetenskaplig sammanfattning på svenska
Datortolkning av myokardscintigrafibilder
Kärlkramp och hjärtinfarkt sammanfattas ibland under benämningen ischemisk hjärtsjukdom, en vanligt förekommande sjukdom i många industriländer. Sjukdomen beror främst på förträngningar i hjärtats kranskärl, dvs. de kärl som förser hjärtmuskulaturen med blod. Sjukdomen går att behandla med medicin och/eller operation. Det är därför viktigt att ställa en korrekt diagnos och att bestämma graden av ischemisk hjärtsjukdom. För utredning av patienter med misstänkt hjärtsjukdom finns flera metoder att tillgå, t.ex. elektrokardiografi (EKG), hjärtkärlröntgen, ultraljud,... (More) - Popular Abstract in Swedish
Populärvetenskaplig sammanfattning på svenska
Datortolkning av myokardscintigrafibilder
Kärlkramp och hjärtinfarkt sammanfattas ibland under benämningen ischemisk hjärtsjukdom, en vanligt förekommande sjukdom i många industriländer. Sjukdomen beror främst på förträngningar i hjärtats kranskärl, dvs. de kärl som förser hjärtmuskulaturen med blod. Sjukdomen går att behandla med medicin och/eller operation. Det är därför viktigt att ställa en korrekt diagnos och att bestämma graden av ischemisk hjärtsjukdom. För utredning av patienter med misstänkt hjärtsjukdom finns flera metoder att tillgå, t.ex. elektrokardiografi (EKG), hjärtkärlröntgen, ultraljud, magnetbildtagning och myokard-scintigrafi. Var och en av dessa metoder har sina för- och nackdelar, t.ex. så är EKG en lättanvänd metod som mäter hjärtats elektriska aktivitet, men det diagnostiska utbytet är inte optimalt.
I denna doktorsavhandling beskrivs de metoder som utvecklats för att förbättra läkares tolkning av bilder tagna vid myokardscintigrafi. Denna är den enda undersökning i kliniskt rutinbruk som avbildar hjärtmuskelns blodförsörjning. Den går till på så sätt att man sprutar in små mängder av en radioaktivt märkt substans i blodet. Substansen tas sedan upp av kroppens celler. Arbetande muskelceller tar upp mest. Eftersom hjärtat är en muskel som arbetar hela tiden, kommer mycket av substansen att tas upp av hjärtvävnad. Speciellt kommer normala partier av hjärtmuskeln att ta upp mer än partier med nedsatt genomblödning. När substansen väl kommit in i hjärtcellerna tas bilder med en radioaktivitetskänslig kamera, en s.k. gammakamera. Bilddetektorn i kameran (motsvarande den fotografiska filmen) registrerar aktivitet från olika partier av hjärtmuskeln. Denna undersökning kallas myokardscintigrafi (från myos, muskel; cardia, hjärta, och scintillation, ett fenomen i en kristall som alstrar ljusblixt från radioaktiv strålning, samt grafein, rita) Genom speciell teknik, s.k. tomografi, kan olika skikt av hjärtmuskeln studeras.
Bilderna som genereras kan vara svårtolkade och kräver därför att tolkande läkare har lång erfarenhet inom området. Genom att utveckla datorbaserade tolkningshjälpmedel, skulle även mindre erfarna läkare kunna utföra tolkningarna utan att behöva konsultera mer erfarna kollegor. Dessutom kan man få en jämnare och högre kvalitet på tolkningarna.
En större andel patienter kan då omgående (utan ytterligare åtgärder) korrekt fördelas vidare till dels adekvat behandling (t.ex medicinering, operation) dels till fortsatt utredning (som kan vara koronar-angiografi). Detta skulle innebära en vinst både för den enskilda patienten och för samhället. Syftet med denna avhandling var att ta fram ett sådant datorbaserat tolkningshjälpmedel.
Det framtagna tolkningshjälpmedlet bygger på att man sammanför metoder från olika områden. Från artificiell intelligens (AI) har vi hämtat en teknik kallad "artificiella neurala nätverk". Tillsammans med institutionen för teoretisk fysik vid Lunds Tekniska Högskola har vi anpassat tekniken till att tolka myokardscintigrafibilder. Vi har också använt en avancerad bildbehandlingsmetod för att enbart väsentlig information skall matas in till nätverket. Bildbehandlingen är en nyckeldel av metoden och innefattar s.k. frekvensanalys av bilderna Artificiella neurala nätverk har som största fördel att de lär via exempel. Genom att träna det datorprogram som utgör nätverket med en stor mängd exempel, lär sig datorn att känna igen skillnader mellan de mönster som kännetecknar friska och de som kännetecknar hjärtsjuka bilder. Vi har utvärderat det färdiga nätverket och jämfört mänskliga experters tolkningar med datorns tolkningar, och kommit fram till att det fungerar bra. Vid en jämförelse i att upptäcka minskad genomblödning till följd av förträngningar i hjärtats kranskärl, hade datorn t.o.m. något bättre resultat än de mänskliga experterna. Vi har även funnit metoden användbar utanför vår egen klinik. Dessutom har vi funnit att läkare förbättrat sina tolkningar när de fått tillgång till beslutsstödet. Både andelen rätt tolkade bilder och variationen då samma bild tolkades flera gånger, förbättrades.
I en förlängning kan man tänka sig att datortolkningen sker över Internet, för att på så sätt bli tillgänglig för världens alla kliniker där myokardscintigrafi utförs. Arbetet med att förverkliga ett sådant web-baserat tolkningshjälpmedel har redan inletts i form av det s.k. WeAidU-projektet, http://www.weaidu.com. (Less)
Please use this url to cite or link to this publication:
https://lup.lub.lu.se/record/40543
- author
- Lindahl, Dan LU
- supervisor
- opponent
-
- Docent Carlens, Per, Fysiologiska kliniken, Södersjukhuset, Stockholm
- organization
- publishing date
- 2000
- type
- Thesis
- publication status
- published
- subject
- keywords
- tomography, radiology, Clinical physics, radionuclide imaging, ischemic heart disease, computer-assisted diagnosis, medical instrumentation, Klinisk fysiologi, radiologi, tomografi, medicinsk instrumentering
- pages
- 108 pages
- publisher
- Department of Clinical Physiology, Lund University
- defense location
- Föreläsningssal 1, Centralblocket, Universitetssjukhuset i Lund
- defense date
- 2000-05-23 14:00:00
- external identifiers
-
- other:ISRN: LUMEDW/MEFL--1015--SE
- language
- English
- LU publication?
- yes
- id
- 8c5c6913-907f-4b67-a885-9b10adc768e4 (old id 40543)
- date added to LUP
- 2016-04-04 11:25:36
- date last changed
- 2018-11-21 21:04:46
@phdthesis{8c5c6913-907f-4b67-a885-9b10adc768e4, abstract = {{In the studies of this thesis, a method for automated classification of myocardial perfusion images was successfully developed and evaluated. The results show that the method, based on artificial neural networks, was equally good, or even better than human experts. It was also found that physicians interpreting myocardial perfusion images benefit from the advice of the artificial neural networks. Furthermore the neural networks could be trained to present clinical interpretations including the information regarding extent and severity of reversible and irreversible defects. At last, it was shown that the networks can maintain it's high accuracy also in a hospital separate from where it was developed. In conclusion, these studies show the feasibility of developing a decision-support system for the interpretation of myocardial perfusion images. The clinical implication of such a decision-support system could be significant. For patients newly presenting with possible coronary artery disease, it has been shown that investigative strategies using myocardial perfusion imaging are more cost-effective than strategies that don't. Decision support for the interpretation of myocardial perfusion images, such as artificial neural network, could further improve this cost-effectiveness.}}, author = {{Lindahl, Dan}}, keywords = {{tomography; radiology; Clinical physics; radionuclide imaging; ischemic heart disease; computer-assisted diagnosis; medical instrumentation; Klinisk fysiologi; radiologi; tomografi; medicinsk instrumentering}}, language = {{eng}}, publisher = {{Department of Clinical Physiology, Lund University}}, school = {{Lund University}}, title = {{Artificial neural networks classify myocardial perfusion images}}, year = {{2000}}, }