Point-of-Care Real-Time Signal Quality for Fetal Doppler Ultrasound Using a Deep Learning Approach

要約

この研究では、データ品質の向上を目的として、大規模な 1D 胎児ドップラー データ収集を容易にする以前に開発したシステムと統合するように設計された深層学習フレームワークを紹介します。
このシステムは、リソースの少ないコミュニティの伝統的な先住民助産師向けに調整されており、費用対効果の高い Android スマートフォンを活用して、記録された信号の品質を向上させています。
私たちは、ドップラー データを使用して、胎児の発育制限、高血圧、および妊娠中のその他の懸念される問題を特定できることを示しました。
ただし、信号の品質は、無線周波数干渉、胎児の位置、母体の状態、助産師によるドップラーの使用など、多くの要因に依存します。
ソースでのデータの修正を可能にする即時フィードバックを提供するには、携帯電話上でリアルタイムで実行できる信号品質メトリックが必要です。
この研究では、持続時間が主に 5 ～ 10 分の範囲にある 191 個の DUS 信号の品質が評価され、3.75 秒の分解能で良好、不良、(無線周波数) 干渉、通話、および無音の 5 つのカテゴリに分類されました。
これらの記録からの 3.75 秒の各セグメントでディープ ニューラル ネットワークがトレーニングされ、5 分割相互検証を使用して検証されました。
平均ミクロ F1 = 97.4\% およびマクロ F1 = 94.2\% が達成され、「良好」品質データの F1 = 99.2\% が達成されました。
これらの結果は、今後助産師のアプリに実装されるアルゴリズムにより、取得時のデータの品質が大幅に向上することを示しています。

要約(オリジナル)

In this study, we present a deep learning framework designed to integrate with our previously developed system that facilitates large-scale 1D fetal Doppler data collection, aiming to enhance data quality. This system, tailored for traditional Indigenous midwives in low-resource communities, leverages a cost-effective Android phone to improve the quality of recorded signals. We have shown that the Doppler data can be used to identify fetal growth restriction, hypertension, and other concerning issues during pregnancy. However, the quality of the signal is dependent on many factors, including radio frequency interference, position of the fetus, maternal body habitus, and usage of the Doppler by the birth attendants. In order to provide instant feedback to allow correction of the data at source, a signal quality metric is required that can run in real-time on the mobile phone. In this study, 191 DUS signals with durations mainly in the range between 5 to 10 minutes were evaluated for quality and classified into five categories: Good, Poor, (Radiofrequency) Interference, Talking, and Silent, at a resolution of 3.75 seconds. A deep neural network was trained on each 3.75-second segment from these recordings and validated using five-fold cross-validation. An average micro F1 = 97.4\% and macro F1 = 94.2\% were achieved, with F1 = 99.2\% for `Good’ quality data. These results indicate that the algorithm, which will now be implemented in the midwives’ app, should allow a significant increase in the quality of data at the time of capture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google