一种超声心动图关键帧智能检测方法

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。