Ontwikkeling van echocardiografie beeldkwaliteitsmanagementsysteem op basis van deep learning

Het ontwikkelen van een managementsysteem voor echocardiografie-beeldkwaliteit op basis van deep learning om objectieve en nauwkeurige automatische controle van de echocardiografie-beeldkwaliteit te bereiken. Een totaal van 2000 patiënten die transthoracale echocardiografie uitvoerden, werden prospectief ingeschreven in de afdeling Ultrasound Medicine van het Affiliated Drum Tower Hospital met Medical School of Nanjing University. De inclusiecriteria: patiënten met gestandaardiseerde TTE-weergavesegmentatie; De uitsluitingscriteria: patiënten met onvolledige standaardsegmentaties. De gegevens van 8 TTE-weergavesegmentaties werden verzameld, waaronder de weergaven van de parasternale lange as van het linker ventrikel (PLAX_LV), parasternale korte as van het grote vatniveau (PSAX_GV), parasternale korte as van het mitralisklepniveau (PSAX_MV), parasternale korte as van het papillaire spierniveau (PSAX_PM), parasternale korte as van het apicale niveau (PSAX_AP), apicale vierholte (A4C), apicale drieholte (A3C), apicale tweeholte (A2C). De gegevens van 1500 patiënten werden gebruikt als trainingsset en de rest als validatieset. Deze videogegevens werden geclassificeerd in overeenkomstige weergavesegmentaties en geanalyseerd door het Video Swin Transformed Model. Vervolgens werd de scoremodule van verschillende weergavesegmentaties opgezet, gecombineerd met keyframe-extractie, beeldsegmentatie, videodoelherkenning en videoclassificatiemodel. Tegelijkertijd werden de scores van het automatische echocardiografiebeeldbeoordelingssysteem vergeleken met de kunstmatige score. Door constant te corrigeren en te leren en uiteindelijk een primair geautomatiseerd beoordelingssysteem te bouwen. Eindelijk werd het echocardiografie-beeldkwaliteitsbeheersysteem uitgevoerd op de overige 500 patiënten en verbeterd.