基于空间时空深度学习的Cine Loop质量过器用于手持式护理点心声谱

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:

• 照顾点 (POC) 超声图的自动解释依赖于高质量的超声数据.
• 评估图像质量对于准确的自动定量化至关重要,例如射出分数 (EF) 估计.

研究的目的:

• 开发和验证时空深度学习模型,以评估手持心声影像电影循环的适用性,以进行自动化分析.
• 为了提高自动化POC心电回声学解释的可靠性.

主要方法:

• 在两个地点使用手持式超声波设备从175名患者中收集了POC回声心电图 (DICOM cine loops).
• 图像质量的注释,定义高质量 (暂时稳定的LV,良好的边界覆盖/对比度) 和低质量的 (不稳定性,文物) 的属性.
• 研究了三个神经网络架构:级CNN (VectorCNN),单流序列级CNN (VectorCNN + LSTM) 和两流序列级CNN.

主要成果:

• 使用空间和时间信息的VectorCNN + LSTM模型在回归质量方面实现了高精度 (0.925).
• 与级VectorCNN (精度:0.903) 相比,序列级模型显示了更好的灵敏度 (0.860) 和特异性 (0.952).
• 由VectorCNN + LSTM分类为足够质量的cine循环在自动化EF估计中显示出明显较低的偏差,而不是不足够的循环.

结论:

• 时空深度学习模型,特别是VectorCNN + LSTM,有效地评估了POC心电回声的超声波电影循环质量.
• 使用该模型的Cine循环分层提高了自动化EF估计的可靠性.
• 这种方法提高了POC心电回声学设置中自动图像解释的整体可靠性.