ディープラーニングによる食道横断エコーカルディオグラフィにおけるセグメンタルロングティチューダーストレインの推定

科学分野:

• 心臓病科
• 医療用イメージング
• 人工知能

背景:

• 左心室のセグメンタル縦断 (SLS) は,地域機能不全,特に心筋不全の評価に不可欠です.
• トランスエゾファゲアルエコーカルディオグラフィ (TEE) の現在のSLS推定方法は,手作業で,非効率で,資源密集的です.
• 心臓のモニタリングを改善するために,自動化された,効率的なSLS評価が必要です.

研究 の 目的:

• TEEにおけるSLS推定のための最初の自動化されたディープラーニングパイプラインである autoStrainを導入する.
• 2つのディープラーニング運動推定モデル,TeeFlowとTeeTrackerのSLS分析のパフォーマンスを比較する.
• 合成データと実際の患者のデータを用いて,autoStrainパイプラインの精度と臨床適用性を検証する.

主な方法:

• TEEにおけるSLS推定のためのディープラーニングを利用した自動パイプラインであるautoStrainを開発した.
• 2つのディープラーニングモデルを使用しました. 運動推定のためのTeeFlow (RAFTベースの) とTeeTracker (CoTrackerベースの).
• 訓練と評価のためにSIMUSによって生成された合成TEE (synTEE) データセットを使用し,16人の患者の臨床検証で補完されました.

主要な成果:

• TeeTrackerは,synTEEテストデータセットのTeeFlowと比較して,運動推定のより高い精度 (0.65 ± 0.20 mm誤差) を達成しました.
• autoStrainパイプラインは,SLSの推定値に良好な臨床的一致を示した (1. 09%の平均差).
• SynTEEデータにおけるシミュレートされた缺血は,異常変形を定量化するモデルの精度を高めました.

結論:

• 特にTeeTrackerを使用したautoStrainパイプラインは,TEEにおける自動化されたSLS推定のための正確で効率的な方法を提供します.
• TEEのAI駆動運動推定は,心臓機能評価の正確性と効率を大幅に向上させます.
• このアプローチは 心臓発作などの診断と治療の改善に 期待されています