Morfometrija medicinskih slik na podlagi globokega učenja za kardiovaskularne aplikacije

Bolezni srca in ožilja so med glavnimi vzroki umrljivosti in invalidnosti v svetovnem merilu, klinično zdravljenje bolezni srčnih zaklopk pa je zaradi vse večje razširjenosti postalo pomembno področje kardiovaskularne medicine. Abnormalnosti aortne zaklopke so med najpogostejšimi vrstami bolezni srčnih zaklopk, povezane pa so s staranjem in prirojenimi ali kroničnimi boleznimi srca. Njihovo kirurško zdravljenje pa zahteva temeljito morfometrično razumevanje kompleksne tridimenzionalne anatomije aortnega korena in zaklopke, ki jo je mogoče predoperativno oceniti s slikovno podprtimi kardiovaskularnimi preiskavami in pravilno interpretacijo kvantitativnih značilnic, izluščenih iz pridobljenih slik. V zadnjih nekaj desetletjih je napredek v umetni inteligenci, zlasti globokem učenju, postal sestavni del sodobnih metod za avtomatska računalniško podprto analizo medicinskih slik. V predlaganem raziskovalnem projektu bomo načrtovali, razvili in vrednotili metode za analizo slik na podlagi globokega učenja, katerih cilj bo izboljšati interpretacijo medicinskih slik, ter raziskati njihovo uporabo v klinični praksi na področju kardiovaskularne medicine in slikanja srca in ožilja, zlasti za klinično obravnavo bolezni srčnih zaklopk. V kardiovaskularni medicini so avtomatske računalniško podprte metode za morfometrijo aortne zaklopke večinoma osredotočene na segmentacijo slik, to je postopek določanja meja aortnega korena na dani sliki, ter zaznavanje oslonilnih točk, to je postopek določanja specifičnih anatomskih točk, ki opredeljujejo aortno zaklopko in njene lističe. Za celovito morfometrijo aortne zaklopke kot kvantitativno analizo značilnic njene velikosti in oblike bomo najprej oblikovali zbirko tridimenzionalnih koronarnih računalniško tomografskih slik s pripadajočimi referenčnimi oznakami. Nato bomo zasnovali in razvili sodobne algoritme na osnovi globokega učenja za zaznavanje oslonilnih točk na aortni zaklopki ter za segmentacijo aortnega korena iz slik, pri čemer se bomo osredotočili na spodbujevalno učenje, vzhajajočemu področju umetne inteligence, ki je opredeljeno kot znanost o odločanju. S preoblikovanjem postopkov za analizo slik v metode spodbujevalnega učenja z več agenti se bomo dinamično naučili optimalnih strategij na podlagi informacij, ki jih bodo priskrbeli preostali agenti. Nato bomo razvili in uporabili tehnike analize medicinskih slik za avtomatko merjenje morfometričnih značilnic, ki opisujejo kompleksno tridimenzionalno anatomijo aortnih lističev. Te značilnice so namreč izjemno pomembne, saj jih kardiovaskularni kirurgi preučujejo za načrtovanje kirurške zamenjave ali popravila aortne zaklopke, njihovo avtomatsko merjenje pa lahko poleg ponovljivosti in zanesljivosti olajša potek dela naših kliničnih partnerjev in izboljša kakovost življenja oseb z boleznijo srčne zaklopke. Končno bomo zasnovali programsko okolje za integracijo razvitih metod na podlagi globokega učenja in tehnik za morfometrijo aortne zaklopke z orodji za ravnanje z medicinskimi slikami, pri čemer bomo zagotovili tudi njihovo končno funkcionalnost. O metodoloških napredkih in pridobljenih rezultatih bomo poročali v obliki objav v kakovostnih znanstvenih revijah in predstavitvijo na mednarodnih konferencah, kot tudi z uporabo orodij odprte znanosti in mreženja. Naši cilji so torej osredotočeni na oblikovanje celovite morfometrije aortne zaklopke, ki bo temeljila na metodah za zaznavanje oslonilnih točk aortne zaklopke in segmentacijo aortnega korena, in sicer na podlagi najsodobnejših pristopov na področju globokega učenja, ter integracija razvitih metod v končno programsko okolje s končno funkcionalnostjo, ki bo olajšalo klinični potek dela z vidika preiskav srca in ožilja na podlagi slik ter načrtovanje operacij, kot tudi omogočilo nadaljnje raziskave na področju kardiovaskularne medicine.