机器学习和深度学习方法用于快速准确地评估胸外心电图的图像质量

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:

• 高质量的心声回声图像对于准确的心脏测量至关重要.
• 自动化图像质量评估可以提高诊断可靠性.

研究的目的:

• 开发,验证和比较机器学习 (ML) 和深度学习 (DL) 算法,用于自动化跨胸心回声图 (TTE) 图像质量评估.
• 在原始图像上对块直方图和DL模型进行经典ML算法的性能评估.

主要方法:

• 采用了4090张TTE图像,这些图像来自顶部4,顶部2和横侧长轴视图.
• 开发了用于ML分析的灰度块组图,并使用基于EfficientNetB4的卷积神经网络 (CNN) 进行DL分析.
• 测试了六个经典的ML算法和CNN在各种心声回声图数据集上.

主要成果:

• 经典的ML算法实现了0.74至0.92的预测准确度 (AUC为0.81至0.96).
• CNNs的预测准确度在0.74到0.89之间 (AUC为0.79到0.95).
• 展示了一种用于训练ML算法的新方法,使用来自原始心声图像的块组图.

结论:

• 无论是ML还是DL方法都提供了对TTE图像质量的准确自动评估.
• 自动化质量评估可以为心声回声仪提供有价值的见解,增强临床决策.
• 该研究提出了一种新的ML训练方法的概念证明,使用图像衍生组图.