基于课程学习的节段性左心室肥厚深度学习方法

《Diagnostics》：Curriculum-Based Deep Learning for Automated Segmental Left Ventricular Hypertrophy Classification Using Short-Axis Echocardiography

　　

摘要

背景：由于二维短轴切面（2D-SAX）超声心动图视图中存在肋骨和混响伪影，准确检测和分类节段性左心室肥厚（LVH）具有挑战性。这些伪影导致心肌区域边界存在歧义。现有的人工智能技术侧重于整体 LVH 检测，而非节段性 LVH 分类。方法：为了解决上述问题，提出了一种基于课程学习的左心室肥厚深度学习（LVH-DL）框架，用于节段性 LVH 分类。提出的框架使用 2000 张节段性 LVH 图像进行了测试，其中包括：(a) 心尖部 423 张，(b) 基底部 382 张，(c) 心室中部 349 张，(d) 弥漫性 453 张，(e) 正常 393 张。该基于课程学习的深度学习模型包含提出的算法，例如：(i) 登山队优化深度去噪卷积神经网络（MTBO-DnCNN）预处理，用于去除伪影并增强边界；(ii) 改进的主动轮廓分割（MACS）算法，准确从背景中提取心肌区域；(iii) 基于课程学习的 ConvNeXt-V2 模型分类，利用分割后心肌区域中的通道间特征（如瓣膜结构和心腔大小）对节段性 LVH 进行分类。结果：提出的 LVH-DL 框架实现了约 (a) 心尖部 96.5%，(b) 基底部 95%，(c) 心室中部 95.8%，(d) 弥漫性 97.2%，(e) 正常 95% 的分类准确率。结论：因此，提出的 LVH-DL 框架可作为节段性 LVH 早期识别的决策支持工具。