[Catatan Kuliah] Deteksi Jantung Koroner dengan Teknologi Citra Medis

Seperti biasa, setiap ada seminar atau reading group yang menarik, biasanya Nyo catat. Berhubung Nyo malas nyimpan-nyimpan buku atau kertas, mending ditulis disini aja, jadi semuanya bisa ikutan baca😉

Dua minggu terakhir, lab kedatangan kunjungan dari industri. Yang pertama, adalah CEO dari sebuah perusahaan computer vision: cosmonio. Jadi, produk utama mereka adalah super-computer yang mengadopsi deep learning untuk memproses citra. Kenapa musti deep learning? Katanya, memang kata itu merupakan ‘buzz-word’ untuk marketing karena lagi hot. Hmm… meskipun tidak semua permasalah bisa selesai dengan deep learning, ada beberapa kasus yang lebih sesuai dikerjakan dengan metoda machine learning lain, tapi yah.. itu strategi marketing mereka.

Tak ingin ikut berkompetisi dengan big-main-player di AI ataupun computer vision, seperti FB dan Google, company ini menfokuskan untuk terjuan ke hardware computer vision-nya sehingga pasarnya lebih spesifik. Tentu kalau mereka mau beli software, beli hardware alias si supercomputer yang mereka buat juga dong.

Embedded computer vision yang mengaplikasikan deep-learning ini mereka buat berdasarkan arsitektur sbb: https://arxiv.org/pdf/1505.04597 (UNet for Biomedical image segmentation, Ronneberger, 2015) dan Recurrent NN for scene labeling (Pinheiro, 2014). Intinya super-computer yang mereka buat, menkhususkan diri untuk memproses image, com.vision, machine learning secara general, mau dari citra sel, sampai luar angkasa.

In the end, all of those images are just pixels or voxels…

Selain hardware, mereka juga menjalin kerja sama dengan beberpa universitas. Misalnya untuk proyek bagi orang yang visually impared. Mereka membangun sistem 3D localization, sehingga orang dengan disabilitas tidak memerlukan tongkat lagi untuk mengetahui dia ada dimana. Seperti cara kerja robo-vision tentunya, jika ia ingin ke pintu masuk, dengan lokalisasi fitur-fitur landmark di sekitarnya, maka nanti akan ada petunjuk, harus ke arah mana berjalan.

Nah, berikutnya ada dari perusahaan HeartFlow, yaitu perusahaan US yang terbukti berhasil mengkomersialisasikan riset medical imaging secara global. Sesuai namanya, HeartFlow bergerak di bidang analisis aliran darah saat terjadi penyempitan pembuluh darah, atau CAD (Coronary Artery Disease).

CAD merupakan penyebab mortalitas tinggi di dunia, yang dipengaruhi oleh makanan dan gaya hidup. Umumnya, untuk mendiagnosisi CAD diperlukan langkah yang panjang, yaitu dengan menyuruh pasien untuk melakukan treadmill, dilanjutkan ECG, dilanjutkan lagi dengan angiografi (memasukkan kateter ke dalam pembuluh dan dipindai dengan CT-scan), dsb dsb. Menurut penuturan, sistem diagnosis CAD yang tradisional tersebut selain mahal, lama, juga tidak bisa menyimpulkan secara akurat.

Ya, di US sendiri biaya untuk kesehatan menyedot sekitar 80% dari GDP loh (kalau di Indonesia, bagaimana?). Oleh karena itu, diperlukanlah teknik medical imaging yang bisa menekan biaya tersebut, lebih cepat, lebih nyaman bagi pasien (non-invasive), dan juga mengurangi risiko kematian.

Solusi HeartFlow adalah, mereka menawarkan personalised anatomical modelling dari pembuluh darah pasien. Dengan FFR (Fractional Flow Reserve) bisa diketahui apakah si pasien butuh stent (untuk melebarkan pembuluh darah yang sempit) atau tidak. FFR ini bisa menggantikan prosedur angiografi yang invasive. Caranya adalah dengan melakukan cardiac CT scan, lalu melakukan pemodelan pembuluh darah sehingga bisa diketahui tekanan di pembuluh darah dari penyempitan. Dari penilaian tersebut, bisa dilanjutkan apakah pasien memerlukan stent atau terapi lain.

Inilah diagram blok kerja FFR:

CT scan -> segmentasi pembuluh -> anatomical and physiological modelling -> functional assesement with CFD (Computational Fluid Dynamics)

Pendekatan yang mereka lakukan terbukti telah menekan penggunaan angiogram yang invasive sebesar 60%. Penjelasan dari diagram di atas, setelah segmentasi coronary artery, bisa diperoleh resisant model sehingga tekanan di pembuluh bisa dihitung, with respect to the aorta.

Namun, yang menjadi tantangan adalah pada tahapan segmentasi. Disini segmentasi harus konsisten pada beberapa skenario. Sebab, jika segmentasi tidak konsisten, bisa menimbulkan efek yang besar di simulasi/pemodelan FFR. Yang tentunya akan menentukan keputusan butuh tidaknya pasien untuk ‘tindakan’, seperti pemasangan stent contohnya.

Bagaimana agar segmentasi konsisten dan akurat?

Dalam medical image computing, kami disini sebagai insinyur, hanya menfasilitasi paramedis untuk memudahkan tugas. Meskipun komputer menghasilkan keputusan, tetap hak veto di tangan dokter. Jadi, HeartFlow membuat interactive segmentation tool dimana user bisa memperbaiki hasil segmentasi komputer sesuai dengan yang gold standar yang ia yakini.

Alur interactive segmentation tool:

  1. Inspect : use memutuskan untuk accept or rejek hasil segmentasi otomatis
  2. Mengajukan pilihan alternatif: jika reject, maka sistem mengajukan 3 pilihan segmentasi, pilih yang paling user yakini kebenarannya.
  3. Smart editing: jika masih belum sreg, bisa editing dengan energy optimization (beradasarkan teori min.energy appearance, boundary, dan prior).
  4. Create: jika masih belum oke juga, bisa bikin sendiri dengan metode segmentasi seeded-based misalnya.

Keren… Jadinya, selain akurat, kerja clinician juga lebih cepat dengan interactive segmentation tool tsb.

Setelah pembuluh sudah di segmentasi, tiba saatnya untuk pemodelan anatomi dan fisiologinya. Mereka menggunakan 3D FEM (Finite Element Method) untuk simulasi fluid coronary artery-nya. Meskipun komputasinya tinggi, tapi bisa mereka atasi dengan proses di cloud AWS (loh kok promosi?). tentunya dibandingkan dengan segmentasi di ITK snap, yang ini jauh lebih cepat, hanya 25 menit.

HeartFlow sudah bermain di kancah global dan mengumpulkan data banyak sekali dari berbagai protokol di RS negara yang berbeda-beda. Hal ini mendorong mereka untuk terus memperbaiki sistem dengan analisis big data, tentu dengan deep learning.

Nampaknya HeartFlow sudah bervisi ke depan dengan menghadirkan produk yang personalised, disesuaikan dengan kebutuhan tiap pasien, baik dari sisi simulasi pembuluh darah sampai evaluasi virtual dari treatment-nya.

Dengan adanya terobosan perusahaan medical imaging ini, diharapkan 20 juta diagnosis CT-scan dengan HeartFlow akan menggantikan komposisi imaging modality yang umumnya digunakan untuk diagnosis CAD sbb saat ini: 1 juta untuk CT-scan, 13 juta untuk SPECT, dan 10 juta untuk echocardiography (yang sinyalnya rendah sehingga tidak cocok untuk pembuluh darah yang membutuhkan resolusi tinggi -> CT scan lah solusinya).

Hmmm… semoga nanti Nyo juga punya company di comp.vision/medical imaging insya Allah..🙂 #obsesi #computervisionforIndonesia #bettermedicalserviceforIndonesia