深度学习技术在胎儿超声心动图图像自动识别中的应用

作     者：罗刚 泮思林 乔思波 庞善臣 陈涛涛 孙玲玉 董玉坤 LUO Gang;PAN Si-lin;QIAO Sibo;PANG Shanchen;CHEN Taotao;SUN Lingyu;DONG Yukun

作者机构：青岛大学附属妇女儿童医院心脏中心山东青岛266034 青岛大学附属妇女儿童医院超声科山东青岛266034 中国石油大学(华东)计算机科学与技术学院山东青岛266580 

出 版 物：《实用医学杂志》 (The Journal of Practical Medicine)

年 卷 期：2022年第38卷第14期

页      面：1830-1833页

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 10[医学] 

基　　金：国家自然科学基金(编号:81970249) 泰山学者工程资助(编号:2018) 

主　　题：深度学习 人工智能 胎儿 超声心动描记术 

摘      要：目的探讨深度学习技术在胎儿超声心动图图像自动识别中应用的可行性。方法对YOLOv4模型进行改进,引入多级残差混合注意力机制模块(MRHAM),建立MRHAM-YOLOv4-Slim模型。选取青岛大学附属妇女儿童医院收集的2000张标准胎儿超声心动图四腔心切面图片建立实验数据集,将MRHAM-YOLOv4-Slim与多种学习模型进行图像识别的分析比较,验证该模型的有效性。结果本研究建立的学习模型能够更精确识别图像中的心腔结构,准确率为0.85,召回率为0.92,F1分数为0.88,平均精度为0.910。该模型具体识别左心房、右心房、左心室和右心室的准确度分别为0.87、0.93、0.86和0.89。结论本研究建立MRHAM-YOLOv4-Slim模型性能优越,可更准确的识别四腔心切面中心腔结构,接近超声医师识别水平,为人工智能在胎儿超声心动步图中的进一发展奠定基础。