相关实验视频
Updated: Jul 3, 2025
08:04
Murine Fetal Echocardiography
Published on: February 15, 2013
17.3K
基于超声视频使用多个学习实例在儿童中检测心房 Septal 缺陷
Yiman Liu1,2,3, Qiming Huang4, Xiaoxiang Han5
1Department of Pediatric Cardiology, Shanghai Children's Medical Center, School of Medicine, Shanghai Jiao Tong University, Shanghai, 200127, China.
Journal of imaging informatics in medicine
|February 12, 2024
概括
这项研究引入了使用心脏超声波视频的深度学习模型,以帮助诊断儿童心房隔膜缺陷 (ASD). 与以前的方法和临床医生相比,人工智能模型显示了更好的准确性.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 胸腔心声扫描 (TTE) 对于评估心脏结构,血液动力学和功能至关重要,特别是在诊断心房隔膜缺陷 (ASD) 时.
- 目前对ASD的诊断方法依赖于专家对心声回声数据的解释.
研究的目的:
- 开发和验证一种深度学习 (DL) 方法,用于使用儿科心脏超声视频自动检测ASD.
- 将DL模型的性能与ASD诊断中的临床专家进行比较.
主要方法:
- 采用了四种标准的儿科心声图视图:前庭隔膜的腰下斜视图 (subSAS),顶部四腔视图 (A4C),下侧侧侧四腔视图 (LPS4C) 和大动脉的侧侧侧短轴视图 (PSAX).
- 使用多个实例学习框架与resNet18和r3D网络用于特征提取和视频级别表示.
- 通过五倍交叉验证,使用300名儿童的私人数据集验证了该模型,并与30个独立案例进行了测试.
主要成果:
- DL模型实现了高性能指标,包括AUC,精度,灵敏度,特异性和F1分数.
- 该模型的诊断性能与临床医生在独立测试数据上的诊断性能相当或优于临床医生.
结论:
- 拟议的深度学习模型有效地协助从心脏超声波视频中检测心房隔膜缺陷.
- 这种人工智能驱动的方法显示了提高儿科心脏病学诊断准确性和效率的潜力.
