相关实验视频
Updated: Jun 26, 2025
08:04
Murine Fetal Echocardiography
Published on: February 15, 2013
17.3K
基于深度学习的分化,从胎儿心声图像中的Fallot四分法从腹腔隔膜缺陷的胎儿心声图像
Xia Yu1,2, Liyong Ma2,3, Hongjie Wang1,2
1Weihai Maternal and Children Health Hospital, Weihai, Shandong, China.
概括
在胎儿心声学中,精确区分TetraLogy of Fallot (TOF) 和心室隔膜缺陷 (VSD) 是至关重要的. 弱监督的数据增强网络 (WSDAN) 模型在区分这些先天性心脏病方面表现出卓越的表现.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿童心脏病学 儿童心脏病学
背景情况:
- 先天性心脏病 (CHD) 显著影响儿童的健康和生活质量.
- 早期发现心血管疾病对于减少其长期影响至关重要.
- 费洛四病 (TOF) 和心室隔膜缺陷 (VSD) 是常见的心血管疾病,具有相似的心声学特征,但预后不同.
研究的目的:
- 使用胎儿心声图像来区分TOF和VSD.
- 为此诊断任务评估各种卷积神经网络 (CNN) 模型的性能.
- 为准确TOF/VSD分类确定最有效的AI模型.
主要方法:
- 利用了105张TOF的胎儿心声图像和96张VSD图像的数据集.
- 雇佣了四个CNN模型:VGG19,ResNet50,NTS-Net和WSDAN. 这是一个非常好的公司.
- 使用包括灵敏度,准确度,特异性和曲线下面面积 (AUC) 在内的指标比较模型性能.
主要成果:
- VGG19和ResNet50的性能与AUC为0.799和0.802.50的AUC相似,表现相似.
- 设计用于细粒度分类的NTS-Net和WSDAN实现了更高的AUC,分别为0.823和0.873.
- 在将TOF与VSD区分方面,WSDAN的表现优于所有其他测试模型.
结论:
- WSDAN模型在区分TOF和VSD方面表现出了最高的有效性.
- WSDAN的卓越性能表明其具有临床应用和普及的潜力.
- 人工智能驱动的图像分析有望改善先天性心脏病的诊断.
