-
题名基于深度学习的川崎病合并冠状动脉瘤超声分类诊断
- 1
-
-
作者
党艳
张璟
高燕
黄国英
马晓静
-
机构
国家儿童医学中心、复旦大学附属儿科医院心血管中心
中国医学科学院小儿遗传相关性心血管疾病早期防控创新单元(
-
出处
《临床儿科杂志》
CAS
CSCD
北大核心
2024年第10期849-856,共8页
-
基金
中国医学科学院医学与健康科技创新工程项目(No.2019-I2M-5-002)
申康医院发展中心第二轮《促进市级医院临床技能与临床创新三年行动计划》关键支撑项目(No.SHDC2020CR5011-002)。
-
文摘
目的 探讨基于深度学习的川崎病合并冠状动脉瘤超声分类诊断的可行性。方法 收集复旦大学附属儿科医院诊断为川崎病患者的心超图像,选取胸骨旁大动脉短轴切面,非彩色多普勒成像的二维图像,剔除冠状动脉图像缺失、图像质量差,图像不完善的病例,共纳入研究图片1 328张,其中包括冠状动脉瘤664张图片,冠状动脉正常664张图片。利用所采集图片基于典型的深度神经网络AlexNet、LeNet、VggNet19、ResNet18进行分类诊断,其中1 000张作为训练集,164张作为验证集,164张作为测试集,约各占总图像数量的80%、10%、10%。结果 基于AlexNet的深度神经网路对川崎病合并冠状动脉瘤的超声图像分类结果最好,可达98%准确率,且该深度分类模型在参数数量及训练效率上均有明显优势。结论 基于深度卷积神经网络的川崎病合并冠状动脉瘤的超声分类诊断具有可行性。
-
关键词
川崎病
超声心动图
深度学习
分类诊断
-
Keywords
Kawasaki disease
echocardiography
deep learning
classification diagnosis
-
分类号
R725.4
[医药卫生—儿科]
R445.1
[医药卫生—影像医学与核医学]
-
