基于深度学习的多节拍心声图心脏相位检测

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心血管诊断心血管诊断服务

背景情况:

• 在多节拍心声图中自动心脏相位检测对于临床测量至关重要.
• 目前的方法受到高数据注释成本和缓慢处理时间的限制.

研究的目的:

• 介绍EchoPhaseNet,一个新的深度学习网络,用于快速,准确的心脏相位检测.
• 解决低注释成本和可变长度回声心脏图谱序列有限数据的局限性.

主要方法:

• 使用了五个心声回声数据集 (回声DT,相位检测,回声网-动态,CAMUS,回声网-动态-多节拍).
• 与其他四种深度学习方法相比,训练并验证了EchoPhaseNet.
• 评估性能使用GradCAM进行可视化和绝对差 (aFD) 进行准确性,并进行统计显著性测试.

主要成果:

• EchoPhaseNet仅使用ED/ES标签实现了有效的相位检测,降低了注释成本.
• 对内部和外部数据集的现有方法证明更高或可比的准确性 (aFD).
• 与其他方法相比,表现出明显更快的推断时间 (在RTX 4080 GPU上低于8ms).

结论:

• 在降低注释成本和提高检测速度方面,EchoPhaseNet提供了显著的优势.
• 该模型显示了在各种数据集中强大的概括能力.
• 为临床多节拍心声图心脏相位检测提供了一种实用且有前途的解决方案.