Entwicklung eines auf Deep Learning basierenden Bildqualitätsmanagementsystems für die Echokardiographie

Entwicklung eines auf Deep Learning basierenden Bildqualitätsmanagementsystems für die Echokardiographie, um eine objektive und genaue automatische Kontrolle der Echokardiographiebildqualität zu erreichen. Insgesamt 2000 Patienten, die eine transthorakale Echokardiographie durchführten, wurden prospektiv in die Abteilung für Ultraschallmedizin des angeschlossenen Drum Tower-Krankenhauses der medizinischen Fakultät der Universität Nanjing eingeschrieben. Die Einschlusskriterien: Patienten mit standardisierter TTE-Blicksegmentierung; Die Ausschlusskriterien: Patienten mit unvollständigen Standardsegmentierungen. Die Daten von 8 TTE-Ansichtssegmentierungen wurden gesammelt, einschließlich der Ansichten der parasternalen langen Achse des linken Ventrikels (PLAX_LV), der parasternalen kurzen Achse des großen Gefäßniveaus (PSAX_GV), der parasternalen kurzen Achse des Mitralklappenniveaus (PSAX_MV), parasternale kurze Achse des Papillarmuskelniveaus (PSAX_PM), parasternale kurze Achse des apikalen Niveaus (PSAX_AP), apikale vier Kavitäten (A4C), apikale drei Kavitäten (A3C), apikale zwei Kavitäten (A2C). Die Daten von 1500 Patienten wurden als Trainingsdatensatz verwendet, und der Rest wurde als Validierungsdatensatz verwendet. Diese Videodaten wurden in entsprechende Ansichtssegmentierungen eingeteilt und durch das Video Swin Transformed Model analysiert. Dann wurde das Scoring-Modul aus verschiedenen Ansichtssegmentierungen, kombiniert mit Keyframe-Extraktion, Bildsegmentierung, Videozielerkennung und Videoklassifizierungsmodell, erstellt. Gleichzeitig wurden die vom automatischen Echokardiographie-Bildbeurteilungssystem erzielten Werte mit dem künstlichen Wert verglichen. Durch ständiges Korrigieren und Lernen und schließlich den Aufbau eines primären automatisierten Bewertungssystems. Zuletzt wurde das Echokardiographie-Bildqualitätsmanagementsystem bei den restlichen 500 Patienten durchgeführt und verbessert.