一个使用深度神经网络的自动心脏分流识别管道

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:

• 盐水对比性跨胸腔心声学 (SC-TTE) 是检测心脏短路的关键成像方式.
• 对SC-TTE的自动化分析可以提高非专家的诊断准确性和可访问性.
• 深度神经网络为开发复杂的图像分析管道提供了潜力.

研究的目的:

• 开发一个全自动化和可扩展的分析管道,用于区分心内和心外心脏短路.
• 使用基于深度神经网络的框架进行SC-TTE图像分析.
• 为了让非专家能够准确评估心脏分流病变.

主要方法:

• 开发了一个三步管道:心室细分 (U-Net模型),超声波微泡定位和疾病分类.
• 关于微气泡计数的多变量时间序列数据是从细分室和微气泡定位生成的.
• 在这些数据上训练了一种深度神经网络分类模型,以区分突变类型.

主要成果:

• 该框架在细分心室 (迪斯系数 = 0.92 ± 0.1) 和定位微气泡方面取得了高精度.
• 疾病分类模型显示了心内和心外短路的高性能指标.
• 具体的性能指标包括精度 (高达0.902),灵敏度 (高达0.891),特异性 (高达0.966),F1得分 (高达0.836),卡帕 (高达0.762) 和AUC (高达0.942).

结论:

• 拟议的深度神经网络框架提供了一种快速,方便和准确的方法来识别心内和心外短路.
• 自动化管道有助于分流识别,并为临床诊断产生有价值的定量指数.
• 这项技术有潜力改变临床实践,通过授权非专家进行间接评估.