Video Experimental Relacionado
Updated: Dec 8, 2025
10:53
Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
5.8K
Reconocimiento automatizado de anomalías regionales del movimiento de la pared a través de la interpretación de la
Mu-Shiang Huang1, Chi-Shiang Wang2, Jung-Hsien Chiang2,3
1Division of Cardiology, Department of Internal Medicine, National Cheng Kung University Hospital, College of Medicine(M.-S.H., P.-Y.L., W.-C.T.), National Cheng Kung University, Tainan, Taiwan.
Circulation
|September 23, 2020
Resumen
Las redes neuronales profundas pueden automatizar el reconocimiento de anomalías de movimiento de la pared ventricular izquierda en videos de ecocardiografía, combinando datos espaciales y temporales para mejorar la eficiencia y el apoyo clínico.
Área de la Ciencia:
- Cardiología
- Inteligencia artificial
- Imágenes médicas
Sus antecedentes:
- La interpretación automatizada de la ecocardiografía utilizando redes neuronales profundas (DNN) puede mejorar la información clínica y la eficiencia.
- Los estudios anteriores se centraron en imágenes fijas; este estudio utiliza DNNs para el análisis de video, integrando información espacial y temporal.
Objetivo del estudio:
- Entrenar y probar un DNN para el reconocimiento automático de anomalías de movimiento de la pared regional del ventrículo izquierdo utilizando videos de ecocardiografía.
- Combinar información espacial y temporal para una mayor precisión en la detección de anomalías.
Principales métodos:
- Desarrolló una red neuronal convolucional 3D (CNN) para la selección de vistas y el control de calidad de imagen.
- Utilizó un modelo de red U para la segmentación para anotar las paredes del ventrículo izquierdo.
- Empleó una CNN 3D final para analizar videos ecocardiográficos, calculando niveles de confianza de anomalías en el movimiento de la pared.
- Se ha realizado una validación cruzada de 5 veces y una validación externa para la evaluación del modelo.
Principales resultados:
- El modelo de selección de vistas identificó una calidad de imagen suficiente en el 61% de los 10.638 ecocardiogramas.
- El modelo de segmentación logró un coeficiente de similitud de Dice de 0,756.
- El modelo final demostró un fuerte rendimiento en la validación cruzada (AUC 0,912) y la validación externa (AUC 0,891), con una sensibilidad y especificidad de alrededor del 81,8% y 81,6% respectivamente en el conjunto de datos externos.
Conclusiones:
- Las redes neuronales profundas pueden automatizar el reconocimiento de anomalías de movimiento de la pared regional en la ecocardiografía mediante el análisis de información temporal y espacial de videos.
- Se necesita más investigación para optimizar el rendimiento del modelo y explorar aplicaciones clínicas.
