在PLAX视图中进行自动化的心肺膜细分,用于解剖评估和风险分层
Gino E Jansen1, Mitchel A Molenaar2, Mark J Schuuring3
1Department of Biomedical Engineering & Physics, Amsterdam University Medical Center, Meibergdreef 9, Amsterdam, 1105 AZ, The Netherlands; Informatics Institute, University of Amsterdam, Science Park 900, Amsterdam, 1098 XH, The Netherlands; Amsterdam Cardiovascular Sciences, Amsterdam University Medical Center, Meibergdreef 9, Amsterdam, 1105 AZ, The Netherlands.
一种人工智能方法精确地分隔心声图中的二心叶片,自动化测量以改善心脏病患者的风险分层. 这种人工智能工具增强了对腹的评估,并预测了临床结果.
科学领域:
- 心脏病学
- 医学成像
- 人工智能
背景情况:
- 在胸前心声学 (TTE) 中手动膜细分是耗时且可变的.
- 准确的细分对于提取临床管理的关键解剖参数至关重要.
研究的目的:
- 开发和验证一种基于人工智能的新方法,用于自动化膜细分和从TTE中提取解剖测量.
- 评估这些自动测量对预测患者结果的临床相关性.
主要方法:
- 一个深度神经网络被设计用于使用手动细分的心声录像来分段膜叶片.
- 从自动细分中提取了关键的解剖学测量 (叶片长度,圆环直径,帐面积,合并长度).
- 进行了考克斯回归生存分析,以评估测量与心力衰竭住院或全因死亡率的关联.
主要成果:
- 人工智能模型实现了高细分精度 (平均表面距离:0.89毫米,豪斯多夫距离:3.34毫米,时间一致性:97%).
- 在不变的分析中,自动化环直径,帐面积,帐高度和合并长度与不良临床结果有显著联系.
- 在多变量分析中,圆直径和合长度独立预测了临床终点.
结论:
- 开发的人工智能方法可以准确和自动地对膜进行细分,并对TTE的解剖测量进行量化.
- 自动测量显示出显著的预后价值,可与腹的专家评估相提并论.
- 这种人工智能方法有可能改善心脏病患者的风险分层.
更多相关视频
12:12Echocardiographic Approaches and Protocols for Comprehensive Phenotypic Characterization of Valvular Heart Disease in Mice
Published on: February 14, 2017
09:05Transthoracic Speckle Tracking Echocardiography for the Quantitative Assessment of Left Ventricular Myocardial Deformation
Published on: October 20, 2016
相关概念视频
Mitral Valve Prolapse II: Assessment and Management
Mitral Stenosis II: Clinical features and Diagnostic Tests
Mitral Valve Prolapse I: Introduction
