Region guided mask R-CNN с объединением Haralick и ResNet для точного обнаружения ишемической болезни сердца на изображениях ангиографии компьютерной томографии

Почему важны более четкие снимки сердца

Ишемическая болезнь сердца является одной из основных причин смертности в мире, и один из способов её раннего выявления — специальные КТ-снимки, показывающие кровеносные сосуды сердца. Эти 3D-изображения могут выявлять опасные сужения и жировые отложения до того, как они вызовут инфаркт. Но в реальной практике снимки часто бывают нерезкими, перегружены наложением тканей и содержат шум. В статье предложена более умная компьютерная система, которая очищает такие «грязные» изображения, точнее восстанавливает сосудистую структуру сердца и с высокой надежностью отмечает признаки болезни, что потенциально дает врачам более точный инструмент для ранней диагностики.

Трудности чтения снимков сердца

Коронарная КТ-ангиография создает подробные карты артерий, питающих сердце. Тем не менее эти снимки далеки от идеала: смазывание из‑за сердцебиения, низкий контраст между сосудами и окружающими тканями, а также кальцинаты, похожие на соседние структуры, затрудняют интерпретацию. Традиционные компьютерные методы пытаются выделять сосуды простыми правилами, например выбирая пиксели выше порога яркости или следуя за краями. Эти старые подходы часто дают сбой, когда сосуды тонкие, извилистые или перекрыты другими анатомическими структурами, что может привести к пропуску заболевания или ложным срабатываниям.

Направленное отслеживание сосудов сердца

Чтобы справиться с такими сложными снимками, авторы предлагают новый способ выделения коронарных артерий под названием Region-Guided Mask R-CNN. Сначала простой алгоритм «роста региона» отмечает предполагаемые области сосудов, используя грубые сходства по интенсивности, чтобы указать, где могут быть артерии. Затем продвинутая модель глубокого обучения уточняет эти подсказки до четких масок для каждого объекта — сосуда. Система добавляет форму визуального «внимания», которая учится фокусироваться на наиболее релевантных областях и игнорировать помехи, а также использует более точное выравнивание, чтобы не терялись мелкие детали. На публичных данных КТ сердца от 206 пациентов этот направленный подход показал более высокую точность и лучшее совпадение с экспертными разметками сосудов по сравнению с популярными сетями сегментации, такими как U-Net и V-Net.

Слияние текстурных признаков и глубокого обучения

Обнаружение болезни — это не только обведение границ сосудов; требуется также понимание тонких отличий внутри стенок артерий. Исследователи создают второй компонент, названный Haralick-ResNet Fusion, чтобы захватить как мелкую текстуру, так и более широкие шаблоны. Одна часть измеряет классические текстурные признаки — повторяемость оттенков, контраст и смешение — в то время как другая часть, современная глубокая сеть (ResNet), извлекает сложные визуальные сигналы непосредственно из данных. Эти два потока объединяются в единое, более богатое представление каждой сосудистой области. Такое объединение помогает системе отличать нормальные сосуды от пораженных бляшкой или стенозом, даже когда визуальные различия незначительны.

От изображений к однозначному ответу

Заключительный этап конвейера — глубокая сверточная сеть, которая берет объединённые признаки и решает, присутствует ли ишемическая болезнь сердца. Этот классификатор накладывает множество маленьких фильтров для распознавания паттернов на разных масштабах, а затем сворачивает их в решение. Благодаря тщательной подготовке данных, нормализации изображений и аугментации модель достигла общей точности обнаружения заболевания примерно 98,3 процента. Она также превзошла известные сети классификации изображений, такие как VGG-16, ResNet-50, InceptionV3 и EfficientNet-B3 в этой задаче, при разумном времени вычислений и кадровой частоте.

Что это значит для кардиологической помощи

С точки зрения неспециалиста, эта работа посвящена обучению компьютеров более внимательно и последовательно читать снимки сердца по сравнению с нынешними системами. Сначала обводя артерии с помощью регион-ориентированного внимания, затем сочетая классические текстурные подсказки с инсайтами глубокого обучения и, наконец, выдавая уверенный ответ «да» или «нет», метод решает основные препятствия, ограничивавшие автоматизированный анализ коронарных КТ-изображений. Хотя подход по-прежнему зависит от качественных снимков и требует дальнейшей клинической валидации, он показывает, что более умные сквозные ИИ-инструменты вскоре могут помочь рентгенологам обнаруживать опасную болезнь сердца раньше и надежнее, потенциально направляя лечение до того, как симптомы станут угрожающими жизни.

Цитирование: Revathi, G., Mathew, O.C. Region guided mask R-CNN with Haralick ResNet fusion for accurate coronary artery disease detection in computed tomography angiography images. Sci Rep 16, 12231 (2026). https://doi.org/10.1038/s41598-026-43951-5

Ключевые слова: ишемическая болезнь сердца, кардиальная КТ-диагностика, сегментация медицинских изображений, диагностика с помощью глубокого обучения, обнаружение бляшек в сердце