深度学习辅助的二维跨膜超声波用于分析压力尿失禁妇女的膀部运动
Jin Wang1, Xin Yang2, Yinnan Wu3
1Department of Ultrasound Medicine, Cancer Center, Zhejiang Provincial People's Hospital, Affiliated People's Hospital of Hangzhou Medical College, Hangzhou, Zhejiang, China.
American journal of obstetrics and gynecology
|July 20, 2024
概括
一个深度学习系统可以使用跨膜超声波评估膀部运动,识别诸如β角和尿道旋转角速度等关键参数,用于诊断应力尿失禁.
科学领域:
- 泌尿和妇科 泌尿和妇科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 目前用于压力尿失禁的跨膜超声波参数缺乏普遍认可和全面评估能力.
- 需要客观和视觉方法来评估膀部运动在压力尿失禁中的重要作用.
研究的目的:
- 开发和利用一个深度学习系统,通过2D跨膜超声波视频评估膀部运动.
- 探索特定的运动参数来诊断和评估压力尿失禁 (SUI).
- 测试该假设,膀部运动参数与SUI相关,有助于其诊断.
主要方法:
- 对217名妇女 (82名SUI,91名对照) 的回顾性研究.
- 分析膀部下降速度,β角度,尿道旋转角度和瓦萨尔瓦机动持续时间.
- 利用后勤回归和ROC曲线分析用于诊断性能评估.
主要成果:
- 与对照组相比,SUI组的β和尿道旋转角度的最大和平均速度更快.
- 在SUI组中,β和尿道旋转角度的速度变化更高.
- 参数的组合实现了高诊断性能 (AUC 0.87),70%的灵敏度和92%的特异性.
结论:
- 一个深度学习系统有效地可视化和量化在Valsalva机动期间的跨膜超声波上膀部运动.
- β和尿道旋转角度的速度,以及Valsalva机动持续时间,是压力尿失禁的可靠诊断参数.


