一种深度学习方法,使用可穿戴式心震图 (SCG) 诊断大动脉狭窄并预测通过4D流动MRI获得的大动脉血液动力学
Mahmoud Ebrahimkhani1, Ethan M I Johnson1, Aparna Sodhi2
1Department of Radiology, Feinberg School of Medicine, Northwestern University, Chicago, IL, 60611, USA.
Annals of biomedical engineering
|August 12, 2023
概括
深度学习模型可以使用可穿戴的地震心电图 (SCG) 信号预测大动脉流量指标,为4D流MRI提供了具有成本效益的替代方案. 这项技术在查大动脉膜疾病方面表现有前途.
科学领域:
- 心血管成像 - 心血管成像
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 四维 (4D) 流磁共振成像 (MRI) 是评估心血管血液动力学的黄金标准,但成本昂贵且耗时.
- 可穿戴式心震图 (SCG) 设备提供了一种低成本,易于使用的监测心脏活动的方法.
- 大动脉血流的病理变化,如高峰缩速度,表明心脏膜疾病.
研究的目的:
- 研究深度学习模型在从SCG信号预测大动脉流量指标方面的有效性.
- 评估基于SCG的深度学习的潜力,以识别特定的大动脉状况.
- 将SCG衍生流量指标的准确性与从4D流量MRI获得的流量指标进行比较.
主要方法:
- 开发了一种深度学习方法来分析SCG信号.
- 77名受试者同时接受了4D流MRI和SCG记录.
- 深度学习模型预测了缩速度的峰值 ([公式:参见文本]) 并将受试者分为以下组:健康 (三主动脉 - TAV),双主动脉 (BAV),机械主动脉 (MAV) 和主动脉狭窄 (AS).
主要成果:
- 来自SCG的[公式:参见文本]的深度学习预测与4D流MRI测量有很好的一致性.
- 在区分TAV,BAV,MAV和AS组的分类精度 (ROC-AUC) 分别为92%,95%,81%和83%.
- 该研究表明,使用可穿戴的SCG来评估大动脉流量和诊断门状况的可行性.
结论:
- 对SCG信号的深度学习分析可以准确地预测大动脉流量指标,反映4D流量MRI发现.
- 基于SCG的深度学习作为一种潜在的补充工具或对大动脉膜疾病的查方法.
- 使用SCG的低成本可穿戴电子设备可以提高心血管评估的可访问性.
关键词:
4D 流动MRI 4D 流动MRI是指四维的流动MRI.心脏磁力共振成像 (MRI)连续波波变换 (CWT) 是指连续波波变换.卷积神经网络 (CNN) 是一种卷积神经网络.深度学习是一种深度学习.地震心脏图 (SCG) 是一种地震心脏图.更多相关视频
12:12Echocardiographic Approaches and Protocols for Comprehensive Phenotypic Characterization of Valvular Heart Disease in Mice
Published on: February 14, 2017
16.1K
06:18Intravascular Ultrasound Image-Based Finite Element Modeling Approach for Quantifying In Vivo Mechanical Properties of Human Coronary Artery
Published on: December 6, 2024
606
