Utvecklar ekokardiografi bildkvalitetshanteringssystem baserat på djupinlärning

Att utveckla ett bildkvalitetshanteringssystem för ekokardiografi baserat på djupinlärning för att uppnå objektiv och exakt automatisk kontroll av ekokardiografibildkvalitet. Totalt 2000 patienter som utförde transthorax ekokardiografi skrevs in prospektivt på avdelningen för ultraljudsmedicin vid det anslutna Drum Tower Hospital med Medical School of Nanjing University. Inklusionskriterierna: Patienter med standardiserad TTE-vysegmentering; Uteslutningskriterierna: Patienter med ofullständig standardsegmentering. Data för 8 TTE-vysegmentering samlades in, inklusive vyerna av den parasternala långa axeln i vänster kammare (PLAX_LV), parasternala korta axeln för det stora kärlnivån (PSAX_GV), den parasternala korta axeln för mitralisklaffens nivå (PSAX_MV), parasternal kortaxel på papillärmuskelnivån (PSAX_PM), parasternal kortaxel på apikala nivån (PSAX_AP), apikala fyra hålighet (A4C), apikala tre hålighet (A3C), apikala två hålighet (A2C). Data från 1500 patienter användes som träningsuppsättning, och resten användes som valideringsuppsättning. Dessa videodata klassificerades i motsvarande vysegment och analyserades av Video Swin Transformed Model. Därefter etablerades poängmodulen för olika vysegmentering kombinerad nyckelbildsextraktion, bildsegmentering, videomåligenkänning och videoklassificeringsmodell. Samtidigt jämfördes poängen som uppnåddes av det automatiska bildbedömningssystemet för ekokardiografi med den artificiella poängen. Genom att hela tiden korrigera och lära och så småningom bygga ett primärt automatiserat betygssystem. Äntligen utfördes ekokardiografins bildkvalitetshanteringssystem på de övriga 500 patienterna och förbättrades.