Atrial Septal Defect Detection in Children Based on Ultrasound Video Using Multiple Instances Learning

要約

目的: 先天性心欠損 (CHD) は、最も一般的な先天性欠損です。
胸部心エコー検査 (TTE) は、十分な心臓構造情報を提供し、血行力学および心臓機能を評価することができ、心房中隔欠損 (ASD) 検査に有効な方法です。
この論文は、ASD 診断を支援する心臓超音波ビデオに基づく深層学習方法を研究することを目的としています。
材料と方法: ASD を識別するための 2 つのビューとして、心房中隔の 2 つの標準ビュー (subAS) と低胸骨傍 4 コンパートメント ビュー (LPS4C) を選択します。
モデルのパフォーマンスを検証するための 5 重交差検証のための二重盲検実験の一環として、300 人の小児患者からのデータを収集します。
さらに、30 人の小児患者 (陽性者 15 人、陰性者 15 人) からのデータが臨床医のテストのために収集され、モデルのテスト結果と比較されます (これら 30 人のサンプルはモデルのトレーニングには参加しません)。
我々は心エコー画像を用いた心房中隔欠損診断システムを提案する。
私たちのモデルでは、トレーニングとテストそれぞれにブロックのランダム選択、最大一致決定、およびフレーム サンプリング戦略を提示します。resNet18 および r3D ネットワークを使用してフレーム特徴を抽出し、それらを集約してリッチなビデオレベル表現を構築します。
結果: プライベート データセットを使用して、5 交差検証によってモデルを検証します。
ASD 検出については、AUC 89.33、精度 84.95、感度 85.70、特異度 81.51、F1 スコア 81.99 を達成しました。
結論: 提案されたモデルは、ビデオ心房中隔欠損検出のための複数のインスタンス学習ベースの深層学習モデルであり、以前のネットワークや臨床医師のパフォーマンスと比較して、ASD 検出精度を効果的に向上させます。

要約(オリジナル)

Purpose: Congenital heart defect (CHD) is the most common birth defect. Thoracic echocardiography (TTE) can provide sufficient cardiac structure information, evaluate hemodynamics and cardiac function, and is an effective method for atrial septal defect (ASD) examination. This paper aims to study a deep learning method based on cardiac ultrasound video to assist in ASD diagnosis. Materials and methods: We select two standard views of the atrial septum (subAS) and low parasternal four-compartment view (LPS4C) as the two views to identify ASD. We enlist data from 300 children patients as part of a double-blind experiment for five-fold cross-validation to verify the performance of our model. In addition, data from 30 children patients (15 positives and 15 negatives) are collected for clinician testing and compared to our model test results (these 30 samples do not participate in model training). We propose an echocardiography video-based atrial septal defect diagnosis system. In our model, we present a block random selection, maximal agreement decision and frame sampling strategy for training and testing respectively, resNet18 and r3D networks are used to extract the frame features and aggregate them to build a rich video-level representation. Results: We validate our model using our private dataset by five-cross validation. For ASD detection, we achieve 89.33 AUC, 84.95 accuracy, 85.70 sensitivity, 81.51 specificity and 81.99 F1 score. Conclusion: The proposed model is multiple instances learning-based deep learning model for video atrial septal defect detection which effectively improves ASD detection accuracy when compared to the performances of previous networks and clinical doctors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google