基于深度学习的全自动化二尖瓣血流多普勒分析
图像与视频处理
2020-11-26 v1 计算机视觉与模式识别
机器学习
摘要
超声心动图（echo）是心脏病科医生诊断武器库中不可或缺的工具。迄今为止，几乎所有超声心动图参数都需要经验丰富的超声医生进行耗时的手动标注和测量，并且由于超声图像充满噪声和伪影的特性而表现出显著变异性。例如，二尖瓣血流（MI）多普勒用于评估左心室（LV）舒张功能，这在区分不同心脏疾病方面具有至关重要的临床意义。在当前工作中，我们提出一种全自动化工作流程，利用深度学习来 a) 标注超声研究中采集的 MI 多普勒图像，b) 检测 MI 多普勒信号的包络，c) 从包络中提取早期和晚期充盈（E 波和 A 波）血流速度以及 E 波减速时间。我们在 140 名患者的 5544 张图像上训练了多种卷积神经网络（CNN）模型，用于预测包括 MI 多普勒图像在内的 24 个图像类别，并在 40 名患者的 1737 张图像上获得了 0.97 的总体准确率。自动测量的 E 波和 A 波流速与操作员测量值显示出极好的相关性（Pearson R 分别为 0.99 和 0.98）以及 Bland-Altman 一致性（平均差异分别为 0.06 和 0.05 m/s，两者 SD 均为 0.03）。减速时间也显示出良好但较低的相关性（Pearson R 0.82）和 Bland-Altman 一致性（平均差异：34.1 ms，SD：30.9 ms）。这些结果证明了多普勒超声心动图测量自动化的可行性，以及全自动化超声心动图测量软件包的前景。
引用
@article{arxiv.2011.12429,
title = {Fully Automated Mitral Inflow Doppler Analysis Using Deep Learning},
author = {Mohamed Y. Elwazir and Zeynettin Akkus and Didem Oguz and Jae K. Oh},
journal= {arXiv preprint arXiv:2011.12429},
year = {2020}
}