基于幻影的超声波-ECG深度学习框架,用于未来的心脏计算机断层扫描.

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:

• 计算机断层扫描血管造影 (CTA) 关门依赖于预测心脏静止期 (QP) 以诊断图像质量.
• 目前的单模隔离方法,通常是基于心电图的,与可变心率和心律失常作斗争.
• 优化CTA门关是非常重要的,以避免由于运动工件而导致的非诊断扫描.

研究的目的:

• 开发和验证一种新的多式联络深度学习框架,用于增强心脏静止期 (QP) 预测.
• 整合超声波 (US) 和心电图 (ECG) 数据,以便在心脏计算机断层扫描血管学 (CTA) 门关中更可靠地预测QP.
• 提高CTA门的准确性和可靠性,特别是在心律失常和心率变化的患者中.

主要方法:

• 开发了一种多式深度学习框架,集成美国数据的3D卷积神经网络 (CNN) 和心电图数据的人工神经网络 (ANN).
• 该框架通过使用动态心脏运动幻影来验证,模拟各种心脏状况,包括心律失常.
• 通过各种QP长度,心脏段和运动模式来评估性能,以模仿现实世界的临床场景.

主要成果:

• 多模式US-ECG 3D CNN-ANN框架在QP预测中实现了96.87%的准确性,显著超过单模式ECG单门 (85.56%).
• 该框架在预测心律失常条件下和更长时间 (100-200 ms) 的QPs方面表现优异.
• 在不同的心脏区域中始终实现了准确的QP预测,临床相关的心声回声图视图的平均准确率为92%.

结论:

• 通过多式深度学习框架将US和ECG数据结合起来,显著提高了QP预测的准确性,特别是在可变心动和心律失常患者下.
• 这种多式联接方式提供了一个有希望的解决方案,通过提供更可靠的网关来提高CTA中的诊断扫描率.
• 该框架在各种心脏疾病中的稳定性表明,在改善心脏成像质量方面,它有可能得到广泛的临床采用.