使用堆叠的残余密度网络模型的自动回声心脏学异常解释

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心脏病学 心脏病学

背景情况:

• 心声解读对于诊断心脏隔膜异常至关重要,但耗时且容易出现人为错误.
• 目前的自动细分方法可以识别异常区域,但缺乏缺陷位置分类以进行完整的解释.

研究的目的:

• 开发一个堆叠的残余密度网络模型,用于对心脏异常在回声心脏图中的自动细分和缺陷位置分类.
• 创建一个通用模型,适用于产前和产后心声谱.

主要方法:

• 一个堆叠的残余密度网络被用于细分和分类.
• 该模型在1345个心声回声图上进行了训练,并在181个未见的心声回声图上进行了验证.
• 绩效使用交叉与联盟 (IoU),子相似系数 (DSC),平均精度 (mAP),准确度,特异性和灵敏度进行评估,并由五名心脏病学家进行验证.

主要成果:

• 该模型在验证数据上实现了58.17%的IOU,75.75%的DSC和76.36%的mAP.
• 在未见的数据上,性能指标是42.39%的IOU,55.72%的DSC和51.04%的mAP.
• 对未见数据的缺陷位置分类显示了高准确度 (92.27%),特异性 (94.33%) 和灵敏度 (92.05%).

结论:

• 拟议的人工智能模型显示出在临床实践中作为辅助诊断工具的潜力,用于心声回声学解释.
• 该模型对心脏异常进行细分和分类缺陷位置的能力提高了诊断能力.
• 对人类专家的验证表明,它对临床整合有很好的适应性.