一个实时端到端的框架与一个堆叠的模型,使用超声波视频的心脏 Septal 缺陷决策
Siti Nurmaini1, Ria Nova2, Ade Iriani Sapitri1
1Intelligent System Research Group, Universitas Sriwijaya, Palembang 30139, Indonesia.
Journal of imaging
|November 26, 2024
概括
本研究引入了使用Yolov8l的深度学习框架,用于在儿科心声图中实时诊断心脏隔膜缺陷 (CSD). 该模型实现了高精度,提高了效率和患者的结果.
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:
- 心声图是诊断心脏隔膜缺陷 (CSD) 的标准,但专家分析是耗时的.
- 数字化和深度学习 (DL) 具有提高诊断效率的潜力.
研究的目的:
- 开发和评估一个实时,端到端的深度学习框架,用于儿科心声图视频分析.
- 为了提高心脏隔膜缺陷 (CSD) 诊断的准确性和效率.
主要方法:
- 使用了基于You Only Look Once (Yolo) 技术的先进实时架构,特别是Yolov8l.
- 该框架在儿童超声波 (美国) 视频上进行了培训和测试,用于CSD决策.
主要成果:
- 在实验中,Yolov8l模型的平均精度 (mAP) 超过了89%.
- 在对222个美国视频的测试中,该模型显示了95.86%的准确性,96.82%的灵敏度和98.74%的特异性.
- 在53个视频上实时测试显示了97.17%的准确性,95.80%的灵敏度和98.15%的特异性.
结论:
- 拟议的深度学习框架在儿科心脏回声学中展示了CSD实时诊断的高准确性和有效性.
- 这种方法有望增强临床决策和改善儿科心脏病患者的治疗结果.
