深度学习技术在超声心动图图像质量控制中的应用

目的 探讨深度学习技术在超声心动图图像质量控制中应用的可行性和价值。方法 选取四川省人民医院2015～2022年间收集的180 985张超声心动图图像建立实验数据集，训练了超声心动图标准切面图像质量评价方法所建立的两个任务模型，包括7类切面（6类标准切面和其他切面）的智能识别和6类标准切面的质量评分。将模型在测试集上的预测结果与超声医师标注结果进行比较，评估两个模型的准确性、可行性以及运行的时效性。结果 标准切面识别模型的总体分类准确率为98.90%，精确度为98.17%，召回率为98.18%,F1值为98.17%，分类结果接近专家识别水平；6种标准切面质量评分模型的平均PLCC为0.933，平均SROCC为0.929，平均RMSE为7.95，平均MAE为4.83，预测结果与专家评分一致性强。在3090 GPU上部署后，单帧推理时间小于20毫秒，满足实时需求。结论 超声心动图标准切面图像质量评价方法能够提供客观、准确的评价结果，促进超声心动图图像质量控制管理朝实时、客观、智能化方向发展。