Desenvolvimento de sistema de gerenciamento de qualidade de imagem de ecocardiografia baseado em aprendizado profundo

Desenvolver um sistema de gerenciamento de qualidade de imagem de ecocardiografia baseado em aprendizado profundo para obter controle de qualidade de imagem de ecocardiografia automático objetivo e preciso. Um total de 2.000 pacientes que realizaram ecocardiografia transtorácica foram matriculados prospectivamente no Departamento de Medicina de Ultrassom do Hospital Afiliado Drum Tower com a Faculdade de Medicina da Universidade de Nanjing. Os critérios de inclusão: Pacientes com segmentação de visualização ETT padronizada; Os critérios de exclusão: Pacientes com segmentações padrão incompletas. Os dados de 8 segmentações de visão ETT foram coletados, incluindo as visões do eixo longo paraesternal do ventrículo esquerdo (PLAX_LV), eixo curto paraesternal do nível do grande vaso (PSAX_GV), eixo curto paraesternal do nível da válvula mitral (PSAX_MV), eixo curto paraesternal do nível do músculo papilar (PSAX_PM), eixo curto paraesternal do nível apical (PSAX_AP), cavidade apical quatro (A4C), cavidade três apical (A3C), cavidade apical dois (A2C). Os dados de 1.500 pacientes foram usados ​​como conjunto de treinamento e o restante como conjunto de validação. Esses dados de vídeo foram classificados em segmentações de visualização correspondentes e analisados ​​pelo Modelo Swin de Vídeo Transformado. Em seguida, o módulo de pontuação de diferentes segmentações de visualização combinou extração de quadro-chave, segmentação de imagem, reconhecimento de alvo de vídeo e modelo de classificação de vídeo. Ao mesmo tempo, os escores obtidos pelo sistema automático de avaliação de imagens de ecocardiografia foram comparados com o escore artificial. Ao corrigir e aprender constantemente e, eventualmente, construir um sistema primário de classificação automatizada. Por fim, o sistema de gerenciamento de qualidade de imagem de ecocardiografia foi realizado nos 500 pacientes restantes e melhorado.