换一批深度学习超声智能模型评价左心室节段性室壁运动异常
Deep learning echocardiographic intelligent model for evaluation on left ventricular regional wall motion abnormality
摘要目的 观察深度学习超声智能模型自动识别左心室(LV)节段性室壁运动异常(RWMA)的价值.方法 对205例冠心病患者前瞻性采集心尖两腔心(A2C)、三腔心(A3C)和四腔心切面(A4C)二维超声心动图,以5折交叉验证法构建评价LV局部收缩功能模型,自动评估是否存在RWMA;根据人工判读结果评价模型效能.结果205例中,83例共650个节段存在RWMA.LV心肌分割模型效能良好,其分割A2C、A3C及A4C切面LV心肌结果的平均戴斯相似系数分别为0.85、0.82及0.88.利用LV心肌分段模型可对A2C、A3C和A4C切面LV心肌进行准确分段.RWMA识别模型的平均曲线下面积(AUC)为0.843±0.071,敏感度为(64.19±14.85)％,特异度为(89.44±7.31)％,准确率为(85.22±4.37)％.结论 深度学习超声智能模型可自动评估LV局部收缩功能,进而快速、准确地辅助识别RWMA.
更多相关知识
栏目名称
DOI
10.13929/j.issn.1003-3289.2024.08.004
发布时间
2024-09-30（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览33
- 被引0
- 下载20
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
