评估左心室壁厚度和尺寸:深度学习模型的准确性与预测不确定性
Jeffrey Yim1, Mobina Mahdavi2, Hooman Vaseli2
1Division of Cardiology, University of British Columbia, 2775 Laurel Street, 9th Floor, Vancouver, BC, V5Z 1M9, Canada.
The international journal of cardiovascular imaging
|August 10, 2024
概括
一个新的深度学习模型精确地测量了左心室 (LV) 的尺寸和质量,从心声图中获取,有助于心肌病诊断. 这种自动化方法可以提高效率,而无需手动选择框架.
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:
- 左心室 (LV) 几何学对于诊断和预测心肌病症至关重要.
- 准确的LV尺寸和壁厚测量对于临床决策至关重要.
- 目前的手动评估方法可能耗时且容易变化.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于LV尺寸和质量的自动评估.
- 与手动测量相比,评估DL模型的准确性和可重复性.
- 评估模型能够自动识别终端透缩框架的能力.
主要方法:
- 一个卷积神经网络 (CNN) 在24,013个心声回声研究中受过训练,以测量LV内部直径 (LVID),腹腔隔膜壁厚度 (IVS),后壁厚度 (PWT) 和LV质量.
- 该模型被训练来识别终端透气框架和四个尺寸测量的地标.
- 模型的性能使用3014个线索进行了验证,并对3053个线索进行了测试.
主要成果:
- DL模型在测量LVID (5.40%误差,R2=0.88) 和LV质量 (13.93%误差,R2=0.87) 中表现出高精度.
- 对IVS (11.73%的误差,R2=0.63) 和PWT (12.76%的误差,R2=0.50) 的测量显示出更低的精度,特别是增加墙壁厚度.
- 该模型自动选择终端透缩框架,消除了手动选择.
结论:
- 开发的DL模型为LV维度和质量评估提供了准确和自动化的方法.
- 该模型通过自动化选择和测量来简化回声心脏分析.
- 进一步验证不同的群体是必要的,以确认普遍性,特别是更厚的墙壁.
