一个高效的网络与状态空间模型在胎儿心声学标准视图识别的证据训练下的状态空间模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 胎儿先天性心脏病 (FCHD) 是一种普遍存在的缺陷,具有显著的区域检测差异.
• 由于资源限制和识别标准视图的挑战,初级医院在准确的胎儿心声学方面扎.
• 目前用于胎儿心声图的AI方法缺乏效率,强大的特征提取和长距离捕获能力.

研究的目的:

• 开发一个高效和准确的AI模型来识别标准的胎儿心声学视图.
• 解决当前方法在计算复杂性和特征捕获中对初级医院设置的局限性.
• 在资源有限的环境中,为改善胎儿心脏结构评估提供辅助工具.

主要方法:

• 提出了一个高效的AI网络,集成视觉状态空间 (VSS) 模型,用于胎儿心声学中的标准视图识别.
• 在胎儿心声图像数据集上训练模型,以识别八个标准视图.
• 评估模型的准确性,计算复杂性 (FLOPs,参数) 和推断速度 (FPS).

主要成果:

• 拟议的基于VSS的模型在识别标准胎儿心声图视图时实现了99.32%的准确性和99.29%的F1得分.
• 该模型以最低的FLOP,参数和推断时间以及最高的FPS显示出卓越的效率.
• 成功地解决了计算复杂性和长距离特征捕获方面的局限性.

结论:

• 开发的AI模型为智能FCHD诊断提供了坚实的技术基础.
• 该模型是初级医院的初级超声波专家获得标准胎儿心脏图像的宝贵工具.
• 这些发现支持将高效的人工智能整合到改善胎儿心脏评估中,特别是在资源有限的环境中.