Yükseköğretim Kurumları Destekli Proje, 2024 - 2025
ÖZET
Amaç
İskemik kalp hasarı, sol ventrikül ejeksiyon fraksiyonunu (SVEF) ve duvar hareketlerini etkileyerek kalbin pompalama gücünü azaltır. Günlük klinik pratikte, 2D Transtorasik Ekokardiyografi (2D-TTE) görüntülerinin yorumu genellikle doktorların görsel değerlendirmesine dayanmaktadır. Bu durum deneyime bağlı sınırlamalara ve düşük tekrarlanabilirliğe yol açmaktadır. Bu çalışmada, 2D-TTE görüntülerinin analizine yönelik, SVEF hesaplaması ve duvar hareketi anormalliklerinin otomatik tespitini sağlayan iki modülden oluşan bir yapay zeka algoritması geliştirilmesi amaçlanmıştır.
Metod
Algoritmamız, hem statik hem de dinamik 2D-TTE görüntülerini kullanarak duvar
hareket takibini ve Simpson diskler formülüyle SVEF hesaplamasını tam
otomatikleştirmektedir. Sistol ve diyastol fazlarını tespit eden ve Riemann
toplamı kullanan sistem, manuel müdahaleyi minimalize etmektedir. SVEF modülü,
Bland-Altman analizi ile kardiyolog ölçümleriyle karşılaştırılmış ve
Kolmogorov-Smirnov testi ile veri setlerinin normal dağılımı doğrulanmıştır.
Duvar hareketi modülü için YOLOv8 ve ResNet50 modelleri kullanılmış, doğruluk,
kesinlik, F1 skoru ve AUC gibi performans metrikleri analiz edilmiştir.
Sonuçlar
Bland-Altman analizinde SVEF modülü ile kardiyolog ölçümleri arasındaki fark
-4, uyum sınırları -15 ile -3 arasında bulunmuştur. Regresyon analizinde güçlü
bir korelasyon (r=0.71, p<0.001) tespit edilmiştir. Duvar hareket modülünde,
YOLOv8 segmentasyon modeli yüksek doğruluk sağlamış, ResNet50 modeli %95
doğruluk oranı ile en iyi performansı göstermiştir. Algoritmanın renk
kodlaması, operatörler arası standart tanımlamalara katkı sunmuştur.
Tartışma
Geliştirilen algoritma, iskemik kalp hasarının tanı ve takibinde manuel
değerlendirmeyi azaltarak doğruluk ve hız sağlamaktadır. Renk kodlarıyla
desteklenen bölge ayrımları, daha standart ve güvenilir sonuçlara olanak
tanımaktadır.
Anahtar Kelimeler: İskemik kalp hasarı, yapay zeka, ejeksiyon fraksiyonu, hipokinezi, ekokardiyografi