基于深度学习的新型智能分级分类架构,用于基于对比的透视心脏回声学
Mengjie Gu1, Yingying Liu2, Yuanyuan Sheng2
1School of Information Engineering, Henan University of Science and Technology, Luoyang, Henan 471023, China.
概括
这项研究引入了先进的AI模型,TVUNet++和ULSAM-ResNet,以改进使用对比度胸外心声学 (cTTE) 进行专利卵孔 (PFO) 的诊断. 这些模型提高了准确性,并量化了分流的严重程度,有助于评估中风风险.
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:
- 卵孔 (PFO) 是缺血性中风的一个重要原因.
- 目前对比式胸前心电回声学 (cTTE) 对PFO的分类是复杂和耗时的.
- 现有的机器学习模型缺乏诊断准确性,并且无法量化右向左分流 (RLS) 的严重程度.
研究的目的:
- 使用cTTE开发精确的AI模型进行PFO分类.
- 为了改善左心室细分和量化RLS体积.
- 增强中风风险分层和指导临床治疗.
主要方法:
- 拟议的TVUNet++用于cTTE中精确的左心室细分.
- 开发了ULSAM-ResNet用于多级别,多频率的PFO分类.
- 利用可学习的亲和图和多个子空间来提取特征.
- 为模型评估建立了一个基准cTTE数据集.
主要成果:
- TVUNet++在细分方面实现了平均92.11%的子系数.
- 对于静态cTTE PFO分类,ULSAM-ResNet显示的平均回忆率为84.27%.
- 提出的模型在PFO等级分类中表现优于最先进的方法.
结论:
- 新的AI模型在PFO诊断中提供了更高的准确性和效率.
- 准确的RLS量化有助于评估中风和偏头痛风险.
- 这些进展支持PFO患者更好的临床决策.
