基于深度学习方法的心声回中腹的分类
Helin Huang1, Zhenyi Ge2,3, Hairui Wang1
1Department of Biomedical Engineering, School of Information Science and Technology, Fudan University, Shanghai, China.
这项研究开发了一种人工智能系统,ARMF-Net,用于从心声回声图中分类腹 (MR). 人工智能模型准确识别正常功能和三种类型的MR,提高诊断速度和效率.
科学领域:
- 心脏病学
- 医学成像
- 人工智能
背景情况:
- 基于心声图的腹排列 (MR) 在很大程度上依赖于专家解释.
- 目前的方法耗时且受观察者之间的变化影响.
研究的目的:
- 开发一个人工智能 (AI) 辅助的决策系统,用于MR分类.
- 通过心声学来提高MRI诊断的准确性和效率.
主要方法:
- 使用了来自266名受试者的754个心声回声录像 (A2C,A3C,A4C视图).
- 开发了ARMF-Net,一个具有3D卷积残余模块和多重注意力机制的深度学习模型.
- 将MR分为正常的膜功能 (NM),退行性MR (DMR),心房功能MR (AFMR) 和心室功能MR (VFMR).
主要成果:
- ARMF-Net实现了高视频级精度 (总体为0.93) 和参与者级精度 (高达0.961).
- 对于DMR,AFMR,VFMR和NM的具体精度在两种水平上都很高.
- 在几秒钟内进行分类,大大缩短了诊断时间.
结论:
- 人工智能模型准确地从心声录像视频中识别出正常的膜功能和三种类型的MRI.
- ARMF-Net提供自动辅助分析和快速查,用于临床心声图解读.
- 这种人工智能系统有可能改善MR的临床工作流程和诊断准确性.
更多相关视频
11:50High-frequency High-resolution Echocardiography: First Evidence on Non-invasive Repeated Measure of Myocardial Strain, Contractility, and Mitral Regurgitation in the Ischemia-reperfused Murine Heart
Published on: July 9, 2010
07:42An Image Guided Transapical Mitral Valve Leaflet Puncture Model of Controlled Volume Overload from Mitral Regurgitation in the Rat
Published on: May 19, 2020
相关概念视频
Mitral Regurgitation II: Clinical Features and Diagnostic Tests
Mitral Regurgitation I: Introduction
Mitral Regurgitation III: Medical Management
Mitral Stenosis II: Clinical features and Diagnostic Tests
Aortic Regurgitation II: Clinical Features and Diagnostic Tests
Mitral Regurgitation IV: Nursing Management
