FILET VEINEUX PROFONDE : IDENTIFICATION DE LA THROMBOSE VEINE PROFONDE VIA UN RÉSEAU D'APPRENTISSAGE PROFONDE OPTIMISÉ PAR LA STERNE fuligineuse
DOI :
https://doi.org/10.59277/RRST-EE.2024.1.20Mots-clés :
Thrombose veineuse profonde, L'apprentissage en profondeur, Transformation en ondelettes discrète, Réseau neuronal convolutionnel dilaté, Algorithme d'optimisation de la Sterne fuligineuseRésumé
La thrombose veineuse profonde (TVP) se produit lorsqu'une thrombose (caillots sanguins) se forme dans les veines bien en dessous de la surface de la peau en raison de veines ou de lésions de la circulation sanguine lente. Une obstruction du flux sanguin dans une veine peut être partiellement ou totalement causée par des caillots sanguins. Les TVP surviennent généralement dans la cuisse, le bas de la jambe ou le bassin, mais peuvent également survenir dans d'autres parties du corps, telles que le cerveau, le foie, les intestins, le bras ou les reins. Cette recherche propose un nouveau Deep Vein Net, intégrant une optimisation CNN dilatée et Sooty Tern basée sur l'apprentissage profond pour détecter efficacement la TVP à partir d'images CT et IRM. Les images CT et IRM d'entrée sont prétraitées pour éliminer les artefacts de bruit à l'aide de la transformation en ondelettes discrètes (DWT). De plus, les images prétraitées sont introduites dans un réseau neuronal convolutionnel dilaté (Dilated CNN) pour l'extraction de caractéristiques afin d'extraire les caractéristiques les plus pertinentes. Enfin, l'algorithme STO utilise l'Extreme Learning Machine floue des stades de thrombose normale et de TVP pour sélectionner les meilleures caractéristiques pour une classification supplémentaire. Des mesures telles que les scores rec, spe, acc, pre et F1 ont été utilisées pour évaluer les performances de Deep Vein Net. La méthode suggérée atteint une précision de classification de 99,25 % lors de l'identification des cas de TVP.
Références
(1) H.Y. Ko, Deep vein thrombosis and pulmonary embolism in spinal cord injuries, Management and Rehabilitation of Spinal Cord Injuries, Singapore: Springer Nature Singapore, pp. 513–526 (2022).
(2) B. Kainz, M.P. Heinrich, A. Makropoulos, J. Oppenheimer, R. Mandegaran, S. Sankar, C. Deane, S. Mischkewitz, F. Al-Noor, A.C. Rawdin, A. Ruttloff, Non-invasive diagnosis of deep vein thrombosis from ultrasound imaging with machine learning, NPJ Digital Medicine, 4, 1, pp. 137 (2021).
(3) C. Broderick, L. Watson, M.P. Armon, Thrombolytic strategies versus standard anticoagulation for acute deep vein thrombosis of the lower limb, Cochrane Database of Systematic Reviews, 1 (2021).
(4) S.M. Kolokotroni, Deep vein thrombosis and pulmonary embolism following lung resection, Shanghai Chest, 5, 33, pp. 1–5 (2021).
(5) S.H. O'Brien, D. Li, L.G. Mitchell, T. Hess, P. Zee, D.L. Yee, J.W. Newburger, L. Sung, V. Rodriguez, PREVAPIX-ALL: apixaban compared to standard of care for prevention of venous thrombosis in pediatric acute lymphoblastic leukemia (ALL)—rationale and design, Thrombosis and Haemostasias, 119, 05, pp. 844–853, (2019).
(6) C. Burton, P. Fink, P. Henningsen, B. Löwe, W. Rief, Functional somatic disorders: a discussion paper for a new common classification for research and clinical use, Bmc Medicine, 18, 1, pp. 1–7 (2020).
(7) E. Muscogiuri, M. Di Girolamo, C. De Dominicis, A. Pisano, C. Palmisano, G. Muscogiuri, A. Laghi, Pulmonary embolism and computed tomography angiography: Characteristic findings and technical advice, Imaging, 14, 1, pp. 28–37 (2021).
(8) M.H. Jalili, T. Yu, C. Hassani, A.E. Prosper, J.P. Finn, A. Bedayat, Contrast-enhanced MR Angiography without Gadolinium-based contrast material: clinical applications using Ferumoxytol, Radiology: Cardiothoracic Imaging, 4, 4, pp. 210–323 (2022).
(9) Y. Zhang, Machine Learning in Clinical Application of Medical Imaging for Lesion Detection, Segmentation, Diagnosis, Therapy, and Prognosis Prediction, UC Irvine Electronic Theses and Dissertations, University of California, Irvine (2020).
(10) Y. Huang, Deep representation and graph learning for disease diagnosis on medical image data, Hong Kong University of Science and Technology Hong Kong (2021).
(11) A. Topor, D. Ulieru, C. Ravariu, F. Babarada, Development of A New One-Eye implant by 3D bioprinting technique, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 68, 2, pp. 247–250 (2023).
(12) A. Glavan, V. Croitoru, Incremental learning for edge network intrusion detection, Revue Roumaine Des Sciences Techniques—Série Électrotechnique Et Énergétique, 68, 3, pp. 301–306 (2023).
(13) T.H. Xia, M. Tan, J.H. Li, J.J. Wang, Q.Q. Wu, D.X. Kong, Establish a normal fetal lung gestational age grading model and explore the potential value of deep learning algorithms in fetal lung maturity evaluation, Chin. Med. J., 134, 15, pp. 1828–1837 (2021).
(14) K. Kardaras, N. Apostolou, G.I. Lambrou, M. Sarafidis, D. Koutsouris, development and evaluation of advanced image analysis techniques for pediatric deep vein thrombosis imaging scans, 19th International Conference on Bioinformatics and Bioengineering (BIBE), IEEE, pp. 296–300 (2019).
(15) D. Lynch, M. Suriya, PE-DeepNet: A deep neural network model for pulmonary embolism detection, Int. J. Intell. Networks, 3, pp.176–180 (2022).
(16) H. Khachnaoui, M. Agrébi, S. Halouani, N. Khlifa, deep learning for automatic pulmonary embolism identification using CTA images, 6th International Conference on Advanced Technologies for Signal and Image Processing (ATSIP), IEEE, pp. 1–6 (2022).
(17) M. Khan, P.M. Shah, I.A. Khan, S.U. Islam, Z. Ahmad, F. Khan, Y. Lee, IoMT-enabled computer-aided diagnosis of pulmonary embolism from computed tomography scans using deep learning. Sensors, 23, 3, pp.1471 (2023).
(18) C.Y. Yu, Y.C. Cheng, C. Kuo, Early pulmonary embolism detection from computed tomography pulmonary angiography using convolutional neural networks, Joint 9th International Conference on Informatics, Electronics & Vision (ICIEV) and 2020 4th International Conference on Imaging, Vision & Pattern Recognition (icIVPR), IEEE. pp. 1–6 (2020).
(19) H. Liu, H. Yuan, Y. Wang, W. Huang, H. Xue, X. Zhang, Prediction of venous thromboembolism with machine learning techniques in young middle-aged inpatients, Sci. Rep. 11, 1, pp.12868 (2021).
(20) K. Gayathri, K. P. Ajitha Gladis, A.A. Mary, Real-time masked face recognition using deep learning based Yolov4 network, International Journal of Data Science and Artificial Intelligence, 01, 01, pp. 26–32 (2023).
(21) J.A. Sajani, A. Ahilan, Classification of brain disease using deep learning with multi-modality images. Journal of Intelligent & Fuzzy Systems, Applications in Engineering and Technology 45, 2, pp 3201–3211 (2023).
(22) K.B. Shah, S. Visalakshi, R. Panigrahi, Seven class solid waste management-hybrid features based deep neural network, International Journal of System Design and Computing, 01, 01, pp. 1–10 (2023).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
