为心脏模型训练和推理优化输入选择:一种高效的基于3D卷积神经网络的方法来自动化冠状动脉血管图视频选择

科学领域:

• 心血管成像 - 心血管成像
• 人工智能在医学中的应用
• 用于医学图像分析的深度学习

背景情况:

• 冠状动脉血管学对于诊断心脏病至关重要.
• 训练深度学习模型需要高质量,精心策划的视频数据.
• 手动选择合适的血管图是耗时和主观的.

研究的目的:

• 开发一种自动化方法来选择合适的冠状动脉血管学视频.
• 提高医疗图像分析深度学习模型培训的准确性和效率.
• 为了利用3D卷积神经网络 (CNN) 来进行视频质量评估.

主要方法:

• 在232个冠状动脉血管学研究中开发和训练深度学习模型 (ResNet,X3D).
• 使用二元分类来识别低质量的血管图 (满意/不满意).
• 在3208个程序的独立数据集上验证了模型.

主要成果:

• 3D-CNN模型,特别是X3D-L,在所有指标上都表现优于2D CNN (AUC 0.98,精度 0.96).
• X3D-L模型展示了性能,计算需求和参数数量的有利平衡.
• 独立验证显示X3D-L模型的性能强大 (AUC0.95,精度0.92).

结论:

• 使用3D-CNNs开发了一种快速有效的冠状动脉血管造影选择自动化方法.
• 这种方法有可能在临床环境中提高模型的准确性和效率.
• 由于其效率和复杂性的平衡,X3D-L模型为现实生活中的临床应用提供了实际的解决方案.