一种基于深度学习的方法用于左心室应变测量:与经验丰富的心声回声仪相比,可重复性和准确性.

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:

• 斑点跟踪回声心电图 (STE) 量化了左心室 (LV) 变形,这对于评估LV功能至关重要.
• 手动在STE中概述感兴趣区域 (ROI) 是耗时的,可能会影响应变值的准确性.
• 标准化STE对于其日益增长的临床应用至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 模型,用于自动化回声心脏学中的应变计算.
• 将DL模型与现有的心声回声软件集成,以实现无的临床工作流程.
• 评估DL自动化应变计算是否达到与训练有素的心脏病学家可比的准确性.

主要方法:

• 一个DL模型 (EfficientNetB1) 在672次心声回声检查中接受了训练,心脏病学家定义了ROI.
• 评估了各种技术,包括数据集大小,质量,增强和转移学习.
• DL预测的ROI在商业软件中用于自动化应变计算.

主要成果:

• 与人类操作员相比,DL自动压力计算显示GLS的平均绝对差异为0.75,LS的平均绝对差异为1.16.
• 布兰德-阿尔特曼分析表明没有显著偏差,在较低的纵向应变 (LS) 范围中异常值较少.
• 根据测试的数据属性或技术,没有观察到显著的性能变化.

结论:

• 深度学习辅助的自动应变测量是可行的,并且在观察者之间的变化范围内显示结果.
• 使用DL自动化STE可以简化和标准化临床实践和研究中的菌株分析.
• 这项技术有可能提高STE参数的采用性和可重复性.