基于深度学习的超声自动测量左室射血分数的研究
深度学习技术在图像识别和处理方面的应用前景广阔,近年来在医疗领域的应用也取得了瞩目的成果。基于深度学习的超声自动测量左室射血分数的研究,就是其中一个典型的例子。本研究提出了一种基于深度学习的自动测量左室射血分数(LVEF)的方法,旨在提高基于超声心动图Simpson法的左室射血分数测量的效率。
左室射血分数(LVEF)是评价心脏收缩功能的重要指标,目前主要依赖超声心动图和磁共振成像等医疗成像技术来检测。但是,传统的检测方法需要医师手动完成,效率较低。因此,提出一种自动测量LVEF的方法是非常必要的。
本研究使用了深度学习技术来实现自动测量LVEF。首先,建立卷积神经网络,利用收集的 38 153幅标记的数据对网络进行训练测试和验证,将采集到的超声心动图数据自动分成 5类,获取心尖二腔(A2C)和四腔(A4C)切面。然后,建立全卷积神经网络,以 VGG-19为主干架构,利用收集的3871幅 A2C 和 4679幅A4C数据进行训练测试和验证,对自动获得A2C和A4C的左室进行自动分割,计算LVEF。
实验结果表明,该方法获得A2C和A4C的准确率达96.8%,分割真阳性率达88.8%,所得LVEF误差率为0.038 947。这些结果表明,基于深度学习的自动测量LVEF的方法具有较高的准确率和效率,具有较好的临床应用价值。
本研究的成果可以为心脏病的诊断和治疗提供有价值的参考,对于心脏疾病的早期诊断和治疗具有重要的意义。此外,本研究也为深度学习技术在医疗领域的应用提供了一个良好的示例,展示了深度学习技术的巨大潜力。
关键词:超声心动描记术;左室射血分数;深度学习;卷积神经网络;全卷积神经网络