EFNet:使用深度学习从心脏超声波视频中估计左心室喷射率
Waqas Ali1, Wesam Alsabban2, Muhammad Shahbaz1
1Computer Science Department, University of Engineering and Technology, Lahore, Pakistan.
PeerJ. Computer science
|February 3, 2025
概括
这项研究介绍了EFNet,一种使用CNN和变压器的深度学习模型,用于从心脏超声视频中准确预测射出分数 (EF). EFNet提供了一个精确的,自动化的解决方案,以克服心血管诊断中手动评估的变化.
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:
- 射出分数 (EF) 对于通过心脏超声波进行心血管评估至关重要.
- 手动EF评价是耗时的,容易引起观察者之间的显著变化.
- 目前用于EF预测的深度学习方法往往缺乏可解释性.
研究的目的:
- 开发一种准确且可解释的深度学习方法,用于从心脏超声波视频中直接估计EF.
- 在心力衰竭预测中解决操作员依赖和视频质量问题.
- 提高EF测量的一致性和可靠性.
主要方法:
- 开发了EFNet,这是一种集结卷积神经网络 (CNN) 和变压器模型的新方法.
- 引入了一个残余变压器模块 (RTM),扩展3D ResNet用于 (2D + t) 心脏超声波扫描的时空分析.
- 利用心脏超声波视频图像的端到端学习来预测EF值.
主要成果:
- 在EchoNet-Dynamic数据集上,EFNet获得了3.7的平均绝对误差 (MAE) 和0.82的R2得分.
- 与现有的最先进的技术相比,提出的方法显示出更高的性能.
- 实验结果证实EFNet能够准确地预测EF.
结论:
- EFNet提供了一种可靠和自动化的方法,用于从心脏超声波进行EF估计.
- 整合CNN和变压器可以提高心血管评估的准确性和可靠性.
- 这种深度学习模型有可能改善心力衰竭的诊断和管理.
