Utvikling av ekkokardiografi bildekvalitetsstyringssystem basert på dyp læring

Å utvikle et ekkokardiografi bildekvalitetsstyringssystem basert på dyp læring for å oppnå objektiv og nøyaktig automatisk ekkokardiografi bildekvalitetskontroll. Totalt 2000 pasienter som utførte transthorakal ekkokardiografi ble prospektivt registrert i avdelingen for ultralydmedisin ved det tilknyttede Drum Tower Hospital med Medical School ved Nanjing University. Inklusjonskriteriene: Pasienter med standardisert TTE-visningssegmentering; Eksklusjonskriteriene: Pasienter med ufullstendige standardsegmenteringer. Dataene for 8 TTE-visningssegmenteringer ble samlet inn, inkludert visningene av den parasternale langaksen til venstre ventrikkel (PLAX_LV), parasternal kort akse for det store karnivået (PSAX_GV), parasternal kortakse av mitralklaffennivået (PSAX_MV), parasternal kort akse av papillær muskelnivå (PSAX_PM), parasternal kort akse av apikale nivå (PSAX_AP), apikale fire hulrom (A4C), apikale tre hulrom (A3C), apikale to hulrom (A2C). Dataene til 1500 pasienter ble brukt som treningssett, og resten ble brukt som valideringssett. Disse videodataene ble klassifisert i tilsvarende visningssegmenteringer og analysert av Video Swin Transformed Model. Deretter ble skåringsmodulen for forskjellige visningssegmenteringer kombinert nøkkelframeekstraksjon, bildesegmentering, videomålgjenkjenning og videoklassifiseringsmodell etablert. Samtidig ble skårene oppnådd av det automatiske ekkokardiografibildevurderingssystemet sammenlignet med den kunstige skåren. Ved å hele tiden korrigere og lære og til slutt bygge et primært automatisert karaktersystem. Til slutt ble ekkokardiografiens bildekvalitetsstyringssystem utført på de resterende 500 pasientene og forbedret.