Classification of aortic stenosis based on AI in MRI scans

Abstract

Aortic stenosis (AS) stands as a significant cardiovascular ailment necessitating accurate diagnosis for effective patient management. This study introduces an innovative AI-based approach for AS detection in MRI scans. Our research aims to find a robust CNN model combined with computer vision techniques for the classification of AS in MRI, further refined through fine tuning. We evaluated five CNN models combined with computer vision techniques, where VGG16 model got the best results in our research work, with 95% in recall and 95% in F1-score. In this test four Data Augmentation techniques were implemented including Translation, Rotation, Flip and Brightness, enhancing the model’s robustness and generalization, encompassing real-world image variations encountered in clinical settings. This validation reaffirms the model's clinical applicability, promising streamlined diagnostics while allowing medical professionals to focus on intricate decision-making and personalized care. In conclusion, our study underscores the potential of AI-driven AS detection in MRI. The merger of transfer learning and data augmentation yields high accuracy rates, validated in real clinical cases, signifying a significant advancement in precise cardiovascular diagnosis.

A estenose aórtica (EA) é uma doença cardiovascular significativa, que requer um diagnóstico exato para uma gestão eficaz dos doentes. Este estudo apresenta uma abordagem inovadora baseada em IA para a deteção de EA em exames de RM. A nossa investigação tem como objetivo encontrar um modelo CNN robusto, combinado com técnicas de visão por computador, para a classificação de EA em RM, aperfeiçoado através de Fine Tuning. Avaliámos cinco modelos CNN combinados com técnicas de visão computacional, tendo o modelo VGG16 obtido os melhores resultados no nosso trabalho de investigação, com 95% de recall e 95% de F1-Score. Neste teste foram implementadas quatro técnicas de Data Augmentation, incluindo Translação, Rotação, Inverter e Brilho, aumentando a robustez e a generalização do modelo, abrangendo variações de imagens do mundo real encontradas em ambientes clínicos. Esta validação reafirma a aplicabilidade clínica do modelo, prometendo diagnósticos simplificados e permitindo que os profissionais médicos se concentrem na tomada de decisões complexas e nos cuidados personalizados. Em conclusão, nosso estudo ressalta o potencial da deteção de EA orientada por IA em RM. A fusão de aprendizagem por transferência e aumento de dados produz taxas de precisão elevadas, validadas em casos clínicos reais, significando um avanço significativo no diagnóstico cardiovascular preciso.