用于超声心动图左心室射血分数的自动化神经网络预测方法开发
计算机视觉与模式识别
2024-03-20 v1
摘要
超声心动图测量左心室射血分数（LVEF）是心力衰竭（HF）患者诊断和分类的基础。为了自动且准确地量化 LVEF，本文提出了一种基于深度神经网络和集成学习的新流程方法。在该流程中，首先训练了一个空洞卷积神经网络（ACNN）来分割左心室（LV），然后采用基于椭球体单平面模型的面积-长度公式计算 LVEF 值。该公式需要输入 LV 面积（通过改进的 Jeffrey 方法从分割中得出）以及 LV 长度（通过新颖的集成学习模型得出）。为了进一步提高流程的准确性，使用了一种自动峰值检测算法来识别舒张末期和收缩末期帧，避免了人为错误的问题。随后，对所有心动周期的单次搏动 LVEF 值进行平均，以获得最终的 LVEF。该方法在一个包含 10,030 份超声心动图的开源数据集中进行了开发和内部验证。与专家人工分析相比，LVEF 预测的 Pearson 相关系数为 0.83（p<0.001），随后用于射血分数降低的心力衰竭（HFrEF；LVEF<40%）分类的受试者工作特征曲线下面积（AUROC）为 0.98（95% 置信区间 0.97 至 0.99）。在一个包含 200 份超声心动图的外部数据集中，该方法评估 HFrEF 的 AUC 达到了 0.90（95% 置信区间 0.88 至 0.91）。本研究表明，基于自动化神经网络计算的 LVEF 可与专家临床医生耗时、逐帧手动评估心脏收缩功能的结果相媲美。
引用
@article{arxiv.2403.12152,
title = {Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction},
author = {Yuting Zhang and Boyang Liu and Karina V. Bunting and David Brind and Alexander Thorley and Andreas Karwath and Wenqi Lu and Diwei Zhou and Xiaoxia Wang and Alastair R. Mobley and Otilia Tica and Georgios Gkoutos and Dipak Kotecha and Jinming Duan},
journal= {arXiv preprint arXiv:2403.12152},
year = {2024}
}
备注
Accepted to Frontiers in Medicine