関連する実験動画
Updated: Dec 8, 2025
10:53
Ultrasonic Assessment of Myocardial Microstructure
Published on: January 14, 2014
5.8K
深部神経ネットワークによる地域壁運動異常の自動認識 トランストラシック・エコーカルディオグラフィの解釈
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
まとめ
ディープニューラルネットワークは,エコーカルディオグラフィービデオにおける左心室の領域の運動異常の認識を自動化し,空間と時間のデータを組み合わせて効率と臨床サポートを向上させることができます.
科学分野:
- 心臓病科
- 人工知能
- 医療用イメージング
背景:
- ディープニューラルネットワーク (DNN) を使用したエコーカルディオグラフィの自動解釈は,臨床報告と効率を高めることができます.
- 以前の研究は静止画像に焦点を当てていましたが,この研究は空間と時間の情報を統合したビデオ分析のためにDNNを使用しています.
研究 の 目的:
- エコーカーディオグラフィービデオを使用して左心室の地域壁の運動異常を自動認識するためのDNNを訓練し,テストする.
- 空間と時間の情報を組み合わせることで 異常を検出する精度が向上します
主な方法:
- ビュー選択と画像品質管理のための3Dコンボリューションニューラルネットワーク (CNN) を開発した.
- 左心室の壁をアノテーションするためにU-ネットモデルを用いた.
- 最後の3DCNNを使って エコーカルディオグラフィのビデオを分析し 壁の動きの異常を計算しました
- モデル評価のための5倍クロス検証と外部検証を行いました.
主要な成果:
- ビューセレクションモデルでは,10,638のエコーカルディオグラムの61%で十分な画像品質が確認されました.
- このセグメンテーションモデルは 0.756 のダイス類似系数を達成しました.
- 最終的なモデルは,交叉検証 (AUC 0. 912) と外部検証 (AUC 0. 891) で高いパフォーマンスを示し,外部データセットではそれぞれ81. 8% と 81. 6% の感度および特異性を示した.
結論:
- ディープニューラルネットワークは,ビデオからの時間的,空間的な情報を分析することで,心拍図における地域壁の運動異常の認識を自動化することができます.
- モデルの性能を最適化し,臨床応用を探求するためにさらなる研究が必要です.
