使用MTU-Net3+模型对胎儿心率基线/加速/减速的自动分析
Minghan Wang1, Guangfei Li1,2,3, Yimin Yang1,2
1Department of Biomedical Engineering, College of Chemistry and Life Science, Beijing University of Technology, 219 Life Sciences Building, 100 Pingleyuan, Beijing, 100124 China.
Biomedical engineering letters
|September 2, 2024
概括
本研究介绍了MTU-Net3+,这是一种用于自动化胎儿心率分析的深度学习模型,显著提高了诊断准确度和临床实践中的效率,以更好地评估胎儿健康.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 胎儿监测 胎儿监测 胎儿监测
背景情况:
- 产科医生对胎儿心率 (FHR) 信号的临床解释可能是主观的,导致诊断不一致.
- 准确和高效的FHR分析对于及时诊断胎儿状况和改善围产期结果至关重要.
研究的目的:
- 开发和评估MTU-Net3+,一种用于自动化,多任务FHR分析的新型深度学习模型.
- 与传统的视觉评估相比,提高FHR解释的准确性和效率.
主要方法:
- 基于UNet3+架构的MTU-Net3+模型包含一个编码器,解码器,全尺度跳过连接,深度监控,自我注意机制和双向长短期内存层.
- 该模型处理20分钟的FHR信号,为每个时间点输出分类概率和基线值.
- 在公共和私人FHR信号数据库上进行了培训和测试.
主要成果:
- 在公开数据集上,MTU-Net3+实现了F1分数84.21%的减速和61.33%的加速,根平均平方基线差异 (RMSD.BL) 为3.46 bpm.
- 在一个私人数据集上,该模型表现出优异的性能,RMSD.BL为1.37bpm,0%D15bpm,F1.Dec为100%,F1.Acc为87.50%.
结论:
- MTU-Net3+模型显示出作为自动化FHR分析的有效工具的巨大潜力.
- 这种深度学习方法可以提高胎儿健康评估的诊断准确性和效率,解决主观视觉解释的局限性.
