儿童先天性右心房畸形的超声心动图诊断价值及漏误诊分析

目的 探讨彩色多普勒超声心动图对儿童先天性右心房畸形(congenital malformations of the right atrium, CMRA)的诊断价值，分析漏诊与误诊原因，提高超声心动图对儿童CMRA的首次检出率。方法 选取并分析22例经手术与MRI及CT诊断为CMRA的患儿资料，其中11例行胸外科手术治疗。结果 本组原发性右心房扩张15例、右心房憩室3例、原发性右心耳扩张3例、冠状静脉窦憩室1例。单纯性CMRA患儿10例，合并畸形12例，包括卵圆孔未闭5例、房间隔缺损4例、三尖瓣轻-中度反流3例、三尖瓣发育不良1例、三尖瓣重度反流1例；7例合并阵发性室上性心动过速等严重的心律失常。22例超声诊断正确18例(81.8%);漏诊与误诊4例(18.2%),其中误诊3例，漏诊1例；1例右心房憩室误诊为原发性右心房扩张，1例原发性右心房扩张误诊为原发性右心耳扩张，1例冠状静脉窦憩室误诊为冠状静脉窦狭窄，1例原发性右心房扩张漏诊。结论 彩色多普勒超声心动图可以比较准确地诊断儿童CMRA,但容易漏、误诊。     

深度学习在儿童心脏超声标准切面自动智能识别中的应用

[摘要]　目的　探讨深度学习在儿童心脏超声标准切面自动识别中的可行性和准确性。方法　通过上海交通大学医学院附属上海儿童医学中心心脏超声诊断中心影像归档和通信系统(PACS）数据库中,选取2022年9月至2022年10月行心脏超声检查的儿童的4035张心脏超声图像,按照6∶2∶2的比例将图像随机分为训练集（2421张）、验证集（807张）、测试集（807张）。通过改进DenseNet开发了一个轻量、高效的深度学习模型实现对15类儿童心脏超声标准切面的自动识别,并与DenseNet121、InceptionV3、MobileNetV3 3种常用的深度学习模型进行比较。采用准确度、精确率、特异度、召回率和F1指数评价深度学习模型的识别性能。使用参数量、模型大小和浮点运算数3个指标评估模型的识别效率。采用混淆矩阵展示模型的识别结果,并通过热力图反映模型对图像特征的关注度。结果　DenseNet121,InceptionV3,MobileNetV3和所提出模型对15类儿童心脏超声标准切面和非标准切面的识别平均F1指数分别为94.59%、95.13%、92.41%、94.73%,参数量分别为7.0×106、24.4×106、4.2×106、1.8×106,模型大小分别为13.941 MB、48.777 MB、8.445 MB、3.588MB,浮点运算数分别为11.16×109、12.89×109、0.86×109、3.05×109。从混淆矩阵中可以得出所提出模型对15类儿童心脏超声标准切面和非标准切面的识别率要高于其他模型,而在热力图中也可以看出,所提模型能够关注到关键的特征区域。结论　提出的深度学习模型可准确地识别儿童心脏超声标准切面,且模型的参数量较少,运行效率较高。     

儿童迷走锁骨下动脉的超声心动图与CTA术前诊断价值及术后随访分析

目的 探讨超声心动图与CTA在儿童迷走锁骨下动脉（ASA）的术前诊断及术后随访中的临床价值。方法 选取我院经心胸外科手术证实的ASA患儿192例,应用超声心动图与CTA观察心内结构及血管畸形,同时应用CTA观察气管狭窄程度,比较超声心动图与CTA对儿童ASA的术前诊断情况,分析二者在术后6个月评估吻合口血流梗阻及气管狭窄程度的价值。结果 192例ASA患儿中,超声心动图准确诊断124例,准确率为64.6%,漏诊67例,误诊1例;CTA准确诊断174例,准确率为90.6%,漏诊2例,误诊16例。192例ASA患儿中,132例合并其他心内结构畸形,超声心动图准确诊断130例,准确率为98.5%,漏诊2例;CTA准确诊断82例,准确率为62.1%,漏诊50例。所有患儿术后均经超声心动图随访,其中81例行ASA移植术及Kommerell憩室切除术的患儿,术后左锁骨下动脉与左颈总动脉吻合口均无明显梗阻（流速<2.0 m/s）;2例仅行ASA移植术的患儿,术后左锁骨下动脉与左颈总动脉吻合口流速均稍增快（流速>2.0 m/s）;13例仅行Kommerell憩室切除术的患儿,术后2例降主动...