南京医科大学学报(自然科学版)

作者：杜悦，史中青，戚占如，曾子炀，郭冠军，姚静，罗守华，顾宁

单位：南京医科大学生物医学工程与信息学院，江苏南京 211166,,南京大学医学院附属鼓楼医院超声医学科，江苏南京 210008,,南京大学医学院附属鼓楼医院超声医学科，江苏南京 210008,,东南大学生物科学与医学工程学院，江苏南京 210096,,南京大学医学院附属鼓楼医院超声医学科，江苏南京 210008,,南京大学医学院附属鼓楼医院超声医学科，江苏南京 210008,,东南大学生物科学与医学工程学院，江苏南京 210096,,南京医科大学生物医学工程与信息学院，江苏南京 211166 ；南京大学医学院，江苏南京 210093,

关键词：超声心动图;关键帧;深度学习

基金：江苏省重点研发计划（BE2022828）；江苏省前沿引领技术基础研究专项（BK20222002）

目的：探讨基于深度学习（deep learning，DL）的ResNet+VST模型在超声心动图关键帧智能检测方面的可行性。方法：选取南京大学医学院附属鼓楼医院超声医学科采集的663个动态图像含心尖二腔（apical two chambers，A2C）、心尖三腔 （apical three chambers，A3C）与心尖四腔（apical four chambers，A4C）3类临床检查常用切面以及EchoNet-Dynamic公开数据集中 280个A4C切面动态图像，分别建立南京鼓楼医院数据集与EchoNet-Dynamic-Tiny数据集，各类别图像按4∶1方式划分为训练集和测试集，进行ResNet+VST模型的训练以及与多种关键帧检测模型的性能对比，验证ResNet+VST模型的先进性。结果： ResNet+VST模型能够更准确地检测心脏舒张末期（end-diastole，ED）与收缩末期（end-systole，ES）图像帧。在南京鼓楼医院数据集上，模型对A2C、A3C 和A4C 切面数据的ED 预测帧差分别为1.52±1.09、1.62±1.43、1.27±1.17，ES 预测帧差分别为1.56± 1.16、1.62±1.43、1.45±1.38；在EchoNet-Dynamic-Tiny数据集上，模型对A4C切面数据的ED预测帧差为1.62±1.26，ES预测帧差为1.71±1.18，优于现有相关研究。此外，ResNet+VST模型有良好的实时性表现，在南京鼓楼医院数据集与EchoNet-Dynamic- Tiny数据集上，基于GTX 3090Ti GPU对16帧的超声序列片段推理的平均耗时分别为21 ms与10 ms，优于以长短期记忆单元 （long short-term memory，LSTM）进行时序建模的相关研究，基本满足临床即时处理的需求。结论：本研究提出的ResNet+VST 模型在超声心动图关键帧检测的准确性、实时性方面，相较于现有研究有更出色的表现，该模型原则上可推广到任何超声切面，有辅助超声医师提升诊断效率的潜力。

来源：2024年第2期

《南京医科大学学报(自然科学版)》期刊编辑部

查看南京医科大学学报(自然科学版)杂志2024年第2期