一个强大的,数据高效的深度学习模型,用于无分割的心脏评估
Conor M Artman1, Ricardo Henao2
1AI Research Group, Lawrence Livermore National Laboratory, 7000, East Avenue, Livermore, 94550, California, United States.
Research square
|November 22, 2024
概括
我们开发了Scaled Gumbel Softmax (SGS) EchoNet,这是一个数据效率高的深度学习算法,用于回声心脏图. 这种新方法提高了对杂数据的稳定性,而不需要细分模型.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习 (DL) 算法用于胸回声心电图 (TTEs) 通常需要细分模型.
- 这些模型可能是数据密集型,对数据质量问题敏感.
- 心室细分是分析TTE的一个关键步骤.
研究的目的:
- 为TTE分析提供一个数据效率高,强大的深度学习算法.
- 消除对TTE的DL算法中需要心室细分模型的需要.
- 在TTE分析中改进噪音输入的处理.
主要方法:
- 开发了一种新的数据效率高的深度学习算法,名为Scaled Gumbel Softmax (SGS) EchoNet.
- 使用一个R(2+1) D卷积编码器并转换其输出以估计框架级心脏周期重量.
- 在不依赖细分模型的情况下获得视频表示以进行估计.
主要成果:
- 该SGS EchoNet算法证明了对常见的数据质量问题和噪音输入的稳定性.
- 该模型的性能与最先进的方法相美.
- 拟议的转型成功避免了对细分模型的需求.
结论:
- 通过深度学习,SGS EchoNet 算法为使用深度学习的 TTE 分析提供了一个数据效率高且强大的替代方案.
- 这种方法提高了DL模型的可靠性,在有噪音的心声回声图数据的情况下.
- 该方法对实际临床应用具有前景,需要更少的数据和更好的噪声耐受性.