完全自动化解剖标签用于心内心声谱,使用深度学习
Derya Gol Gungor1, Ismayil Guracar1, Cynthia Wolverton1
1Siemens Healthineers, Palo Alto, California, USA.
JACC. Clinical electrophysiology
|August 6, 2025
概括
一个自动化的深度学习算法准确地识别了心脏内心回声图像 (ICE) 中的心脏解剖学. 该工具通过改善ICE操作员的导航和教育来帮助电生理学 (EP) 程序.
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:
- 心内回声心电图 (ICE) 对于指导电生理学 (EP) 程序至关重要.
- 掌握ICE解释存在一个显著的学习曲线.
- 需要自动化工具来提高EP程序的效率和准确性.
研究的目的:
- 开发和验证用于ICE图像中的心脏解剖学检测的自动深度学习算法.
- 评估算法的精度和回忆,以识别关键的解剖结构.
- 评估算法作为教育或导航辅助工具的潜力.
主要方法:
- 深度学习模型在两个机构的605个程序中的196,768个ICE图像上进行了训练.
- 算法旨在自动检测和标记右心室内的解剖结构.
- 用21种不同的解剖结构的精度和回忆指标来评估性能.
主要成果:
- 该算法在21个已识别的解剖结构中的15个实现了>70%的精度和回忆.
- 证明了对心脏解剖学的准确识别.
- 错误地将一个结构标记为另一个结构的情况并不常见.
结论:
- 一个完全自动化的深度学习算法可以从ICE图像中可靠地检测心脏解剖学.
- 这种算法显示出作为训练员教育工具的前景.
- 该工具有可能在EP程序期间为ICE运营商提供实时导航辅助.
