Exploring the applicability of machine learning based artificial intelligence in the analysis of cardiovascular imaging
| Promotie: | dr. J.W. Benjamins |
| Wanneer: | 17 januari 2024 |
| Aanvang: | 12:45 |
| Promotors: | prof. dr. P. (Pim) van der Harst, prof. dr. M. (Michiel) Rienstra |
| Copromotor: | dr. L.E. Juarez Orozco |
| Waar: | Academiegebouw RUG |
| Faculteit: | Medische Wetenschappen / UMCG |
Onderzoek naar de toepasbaarheid van kunstmatige intelligentie op basis van machine learning bij de analyse van cardiovasculaire beeldvorming
Wereldwijd is de prevalentie van hartziekten verdubbeld, wat vraagt om nieuwe diagnostische hulpmiddelen. Kunstmatige intelligentie, met name machine learning en deep learning, biedt innovatieve mogelijkheden voor medisch onderzoek. Ondanks de historische uitdagingen, zoals een tekort aan data, hebben deze technieken potentieel voor cardiovasculair onderzoek.
Dit proefschrift van Jan-Walter Benjamins onderzoekt de toepassing van machine learning en deep learning in de cardiologie, met een focus op automatisering en beslissingsondersteuning in de analyse van cardiovasculaire beeldvorming.
Benjamins concentreert zich op het automatiseren van cardiovasculaire MRI-analyse. Een deep learning model werd ontwikkeld voor het analyseren van de stijgende aorta in cardiovasculaire MRI-beelden. Resultaten van het model werden gebruikt om verbanden te onderzoeken tussen genetisch materiaal en aortaeigenschappen, en tussen aortaeigenschappen en hart- en vaatziekten en sterfte. Een tweede model werd ontwikkeld om MRI-beelden te selecteren die geschikt zijn voor het analyseren van de longslagader. Daarnaast richt Benjamins zich op beslissingsondersteuning in nucleaire cardiovasculaire beeldvorming. Een eerste machine learning model werd ontwikkeld voor de voorspelling van myocardischemie op basis van CTA-variabelen.
Daarnaast is er gebruik gemaakt van diepe neurale netwerken voor de identificatie van verminderde zuurstoftoevoer via de bloedvaten die zuurstofrijk bloed aan het hart leveren en cardiovasculaire risicokenmerken met behulp van PET-beelden. Dit proefschrift verkent met succes de mogelijkheden van machine learning en deep learning in cardiovasculair onderzoek, met het oog op geautomatiseerde analyse en verbeterde beslissingsondersteuning.