В настоящее время сердечно-сосудистые заболевания являются наиболее распространенной угрозой для здоровья человека, а ишемическая болезнь сердца является особенно серьезным заболеванием. Коронарная ангиография используется для выявления ишемической болезни сердца. Однако высокая стоимость и сложность анализа ее результатов привели к необходимости автоматизации процесса диагностики стеноза коронарных артерий. В данной работе мы рассмотрели популярные модели обнаружения стеноза на основе глубокого обучения. Модели различались по своей базовой архитектуре нейронной сети и были предварительно обучены на общедоступных данных. Данные состоят из видеопоследовательностей, полученных клинически с помощью инвазивной коронарной ангиографии и размеченных в отдельные кадры для каждого видео, содержащего стеноз коронарных артерий, с разрешением (512x512) пикселей. В статье представлен сравнительный анализ моделей на основе основных показателей производительности: средней точности (mAP), времени обработки изображения и количества параметров модели. Наилучшую производительность показали модели Faster R-CNN и EfficientDet D4. По сравнению с другими моделями они характеризуются относительно низкими весами параметров, высокой точностью обнаружения и высокой скоростью обработки изображений. Сравнительный анализ показал, что результаты данного исследования превосходят или сопоставимы с результатами других исследователей.
Nowadays, cardiovascular diseases are the most common threat to human health, and coronary artery disease is a particularly serious disease. Coronary angiography is used to detect coronary artery disease. However, the high cost and complexity of analyzing its results have led to the need to automate the process of diagnosis of coronary artery stenosis. In this work, we considered popular models of deep learning-based stenosis detection. The models varied in their underlying neural network architecture and were pre-trained on publicly available data. The data consist of video sequences clinically obtained by invasive coronary angiography and labeled into separate frames for each video containing coronary artery stenosis with a resolution of (512x512) pixels. The paper presents a comparative analysis of the models based on the main performance indicators: average accuracy (mAP), image processing time, and the number of model parameters. The Faster R-CNN and EfficientDet D4 models showed the best performance. Compared to other models, they are characterized by relatively low parameter weights, high detection accuracy, and high image processing speed. The comparative analysis showed that the results of this study are superior to or comparable to those of other researchers.