基于深度神经网络的多视图回声心脏图序列自动诊断 mitra 脱的可行性验证
Zijian Wu1,2,3, Zhenyi Ge4,5,6, Zhengdan Ge4,5,6
1National-Regional Key Technology Engineering Laboratory for Medical Ultrasound, Guangdong Key Laboratory of Biomedical Measurements and Ultrasound Imaging, School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, 1066 Xueyuan Road, Shenzhen 518060, China.
这项研究介绍了一种基于人工智能的诊断工具,用于腹脱落 (MVP),使用心声回声图的深度学习. 该自动化系统准确地诊断了巴洛病 (BD) 和纤维弹性缺陷 (FED) 现型,提高了临床效率.
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:
- 传统诊断中膜脱落 (MVP) 面临局限性.
- 区分纤维弹性缺陷 (FED) 和巴洛病 (BD) 现型可能是具有挑战性的.
研究的目的:
- 开发MVP的自动诊断方法,使用多视图回声心脏图序列和深度学习.
- 克服MVP,FED和BD常规诊断方法的局限性.
主要方法:
- 训练了视图特定 (MVP-VS) 和视图不可知 (MVP-VA) 的深度神经网络模型在心声数据上.
- 在模型训练中使用了二,三和四个房间视图 (A2C,A3C,A4C).
- 评估了BD和FED表型的诊断准确度,精度,灵敏度,F1得分和特异性.
主要成果:
- 对于MVP,MVP-VS的整体诊断准确度为0.94.
- MVP-VA表现出 0.95.5 的优越整体准确度.
- 对于BD和FED诊断,MVP-VA显示出高精度,灵敏度,F1得分和特异性,特别是在混合视图上训练时.
- 视图不可知模型通过接受任意的心声回声图视图来提高临床管道效率.
结论:
- 这项研究开创了用于MVP诊断的AI集成,展示了深度神经网络的有效性.
- 自动化方法提供了高精度和效率,超过了传统方法.
- 拟议的系统在诊断心脏膜疾病方面具有显著的临床应用潜力.
更多相关视频
12:12Echocardiographic Approaches and Protocols for Comprehensive Phenotypic Characterization of Valvular Heart Disease in Mice
Published on: February 14, 2017
07:46Author Spotlight: Revolutionizing Remote Surgery with Augmented Reality and Robotics for Enhanced Precision and Accessibility
Published on: August 9, 2024
相关概念视频
Mitral Valve Prolapse II: Assessment and Management
Mitral Valve Prolapse I: Introduction
Mitral Valve Prolapse III: Nursing Management
Mitral Regurgitation II: Clinical features and Diagnostic Tests
