低资源环境下对风湿性心脏病的综合预测

news2024/11/26 1:28:51

文章目录

  • Ensembled Prediction of Rheumatic Heart Disease from Ungated Doppler Echocardiography Acquired in Low-Resource Settings
    • 摘要
    • 方法
      • Echocardiogram Homogenization
      • 风湿性心脏病的检测

Ensembled Prediction of Rheumatic Heart Disease from Ungated Doppler Echocardiography Acquired in Low-Resource Settings

摘要

本文背景
风湿性心脏病(RHD)是儿童常见的一种疾病,急性风湿热会对心脏瓣膜造成永久性损伤,从而损害心脏泵血的能力。多普勒超声心动图是一种流行的诊断工具,用于检测RHD。然而,执行这一评估需要熟练医生的工作,这就造成了可及性问题,特别是在获得临床专家的机会有限的低收入国家。

方法
本文提出了一种新的、自动化的、基于深度学习的方法,利用彩色多普勒超声心脏病片段检测RHD

  1. 首先通过识别两个获取视图(胸骨旁和心尖)对无门控超声心脏病进行均匀化分析,然后提取心室收缩期间的左心房区域
  2. 然后,应用多视图三维卷积神经网络模型集成和多视图Transformer来检测RHD
  3. 该模型使我们的分析受益于时空信息的包含,并使用注意机制来识别RHD检测的相关时间框架,从而提高了准确检测RHD的能力

结果
在低资源环境下,591名儿童在护理点获得了2136个彩色多普勒超声心动图片段,对该方法的性能进行了评估,平均准确率为0.78,灵敏度为0.81,特异性为0.74。这些结果与专家临床医生进行的RHD检测相似,优于最先进的方法。因此,我们的新模型有可能提高对临床专家接触有限的患者的RHD检测

在这里插入图片描述

方法

在这里插入图片描述

Echocardiogram Homogenization

对超声心动图进行均匀化处理,标准化与RHD检测相关的图像信息,包括:(1)视图识别,(2)心室收缩时的帧选择,(3)左心房分割。

视图识别
A4CC和PLAXC是显示二尖瓣流入/流出进行反流的标准视图。为了从每个患者收集的大量数据中检索这些视图,通过深度学习分类模型传递每个视频流的第一帧(代表性帧)。

该模型包括:(1)输入图像大小为256 × 256像素× 3个颜色通道的ResNet50 CNN, (2) 7 × 7的平均池化层,(3)具有整流线性单元(ReLu)激活函数的512个单元的全连接层,以及(4)具有Softmax概率函数的最终输出层,将视图分为3类(A4CC, PLAXC和其他)。

ResNet-50 CNN在ImageNet数据集上进行预训练。256像素的大小是根据所需的内存确定的。模型的训练采用分类交叉熵损失函数,批大小为32,Adam优化算法,学习率为0.0001,共100次epoch

V室收缩时的帧选择
MR发生在心室收缩/心室收缩期,二尖瓣关闭。为了识别心室收缩期间的帧,我们使用了与View Identification中解释的结构相同的模型,但有以下显著区别:分析视频中的所有帧。此外,我们还使用了二元交叉熵损失函数。

左心房分割
使用了LinkNet和在ImageNet数据集上进行预训练的VGG16编码器

风湿性心脏病的检测

我们开发了一个多视图三维cnn和Transformer模型集成,将时空特征与RHD检测的注意机制融合在一起
在这里插入图片描述
多视图三维卷积神经网络
应用3D CNN从两个视图中提取时空信息,并将它们融合在一个端到端网络中。
输入数据来自两个视图之一在心室收缩期间捕获的局部左心房区域,并重新采样为64 × 64像素× 3个颜色通道× 16帧。这些大小是根据内存管理确定的。每个输入数据使用两个带有ReLu激活函数的3 × 3 × 3卷积滤波器进行处理。每个过滤器之后是一个批归一化层和2 × 2 × 2最大池化,每个维度的步长为2。然后,使用两个完全连接的层将两个视图中提取的特征进行连接和处理,其中包含256个带有ReLu激活函数的单元和2个带有Softmax概率函数的单元。该模型采用64个批大小,使用Adam优化算法最小化二元交叉熵损失函数,350个epoch的学习率为0.0001。
多视图转换器
我们包含了一个Transformer来嵌入心室收缩期间帧之间的相关依赖关系,并将注意力吸引到重要的时间点上。

首先,我们应用了两个DenseNet121 CNN,在ImageNet数据集上进行了预训练,从两个视图中捕获低级特征。CNN分析了心室收缩期间的帧,重新采样到16帧,大小为64 × 64像素× 3个颜色通道。从两个视图获得的信息被聚合起来,以便由Transformer模型进行高级分析,该模型类似于中提出的模型。Transformer模型首先将位置信息嵌入到输入特征中,以保持顺序信息。然后,该模型使用自注意模块学习帧间关系,然后使用前馈神经网络,该神经网络由两层组成,高斯误差线性单位。使用每个块的输入和输出之间的快捷连接来直接通过网络传递梯度。在每个块之后,应用归一化层以提高泛化性并减少处理时间。Transformer模型编码的特征通过全局最大池操作进行下采样,并使用Softmax概率函数将其馈送到最后一个完全连接的层以预测RHD。在最后一个完全连接层之前,我们应用了保持率为0.5的dropout。该模型使用10个batch大小和Adam优化算法(学习率为0.0001)进行训练,通过350 epoch最小化二元交叉熵损失函数。

风湿性心脏病的预测
3D cnn分析心室收缩期间的所有帧作为容量数据来评估RHD,而Transformer逐帧评估数据。

由于两个深度学习模型从不同的角度分析数据,我们通过应用最大投票策略将它们的预测分数融合在一个集成模型中以提高准确性。

此外,如临床实践中典型的那样,当可获得多个图像时,受试者对每个A4CC/PLAXC视图有多个视频,这也可能包括多个心室收缩。
我们纳入了所有可用的A4CC和PLAXC视图的心室收缩,以获得RHD的最终预测评分。

在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/456497.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

17、Logos使用摘要

本篇将讲述如何将WX的设置界面添加两个自定义的UI行: 包含是否启用某功能的开关,以及手速设置.并且如何定位到修改的代码.采用的是砸过壳的包. 成品也就是增加了两个UI及开关联动效果、 界面分析 如果我们要破解别人的App, 首先从界面UI入手,定位UI 1、使用class-dump导出全部…

分子共价对接(Covalent Docking)

共价对接(Covalent Docking) 随着人们对共价抑制剂的发现越来越重视,越来越多的软件开始支持共价抑制的虚拟筛选。常用的共价对接软件有CovDock,AutoDock4,FITTED,GOLD,ICM-Pro与MOE等。共价抑制…

断网了,还能ping通 127.0.0.1 吗?为什么?

你女神爱不爱你,你问她,她可能不会告诉你。 但网通不通,你 ping 一下就知道了。 可能看到标题,你就知道答案了,但是你了解背后的原因吗?那如果把 127.0.0.1 换成 0.0.0.0 或 localhost 会怎么样呢&#x…

易基因:ChIP-seq等揭示热休克转录因子A1b调控植物高温胁迫响应的分子机制|应激反应

在拟南芥中,热休克转录因子A1b(HEAT SHOCK TRANSCRIPTION FACTORA1b,HSFA1b)通过影响种子产量来调控对环境胁迫的抗性。HSFA1b是生殖适应性的决定性因素,这种调控机制怎么形成的呢? 2018年,英国…

基于静态分析结果的测试用例自动生成方法

自动生成用例的方法有多种,主要包括随机法、遗传算法、等价类划分法、约束求解法等。各种方法的适用范围、性能及生成的用例质量各不相同,具体见表1。从表1可以看出,约束求解法效率高,生成的用例质量也高,所以本项目中…

RabbitMQ-Topic(主题模式)

Topic topics 模式支持模糊匹配RoutingKey,就像是sql中的 like子句模糊查询,而路由模式等同于sql中的where子句等值查询 topic 交换机背后的路由算法类似于 direct 交换,使用特定路由键发送的消息将被传递到使用匹配绑定键绑定的所有队列。…

期权价格上下限与期权平价关系

目录 1. 期权的基本概念 2. 期权的上下限 3. 期权的平价关系 1. 期权的基本概念 期权:是一种选择权,期权买方向卖方支付一定数额的 期权费 后,可获得在 一定时间(到期日)内以 一定价格(执行价格&#x…

如何使用 Java 将 JSON 文件读取为字符串?这三种方法很管用!

JSON (JavaScript Object Notation) 是一种轻量级的数据交换格式,它可以用来存储和传输结构化的数据。在 Java 中,有多种方法可以将 JSON 文件读取为字符串,本文将介绍其中的几种。 方法一:使用 java.io 包中的类 java.io 包中提…

【MySQL】索引和事务的详细介绍

目录 一.索引 1.索引概念 2.查看索引 3.创建索引 4.索引使用的数据结构是什么 1.HASH(不是) 2.二叉搜索树(不是) 3.B树 N叉数(不是) 4.B树(是滴) 5.组合索引 6.索引覆盖 7…

Docker Compose与Docker Swarm的简介和区别,以及docker swarm的简单使用命令

Docker Compose与Docker Swarm的简介和区别 背景Compose 简介Swarm 简介Compose 和 Swarm区别docker swarm简单使用及常用命令背景:初始化集群节点加入启动docker程序,nginx服务1.22版本查看服务服务伸缩删除service服务创建密钥secret查看secret使用sec…

清徐乡村e镇助力醋企惊艳亮相全国糖酒会

陈醋香醇悠悠,美味酸爽袭人。4月12日至14日,第108届全国糖酒商品交易会在成都举行,其间启动“山西老陈醋专业镇成都行”,208家山西醋企首次集中亮相交易会,为山西醋代言,由阿里云创新中心运营的清徐乡村e镇…

操作系统概述和体系结构

操作系统的概念和功能 核心:作为系统资源的管理者 向上提供方便易用的服务 联机就好比问一句答一句;脱机就好比先问好多句然后统一依次回答。 上面是直接提供给用户使用的。 另外还有一种程序接口: 这就是程序员在编程时经常调用的各种函数接…

【Linux】3、Linux 的编辑器

目录 一、vi 和 vim二、vim(vi)的三种工作模式(1) 命令模式快捷键(2) 底线命令模式操作 一、vi 和 vim 🔖 vim 和 vi 是 Linux 中经典的文本编辑器 🔖 vim 是 vi 的加强版 🔖 vim: ① 兼容 vi 的全部指令…

(数字图像处理MATLAB+Python)第五章图像增强-第六节:其他图像增强技术

文章目录 一:基于对数图像处理模型的图像增强(1)对数图像处理模型(LIP)(2)基于对数图像处理模型的增强 二:图像去雾增强(1)图像去雾模型(2&#x…

Flutter 布局探索 | 如何分析尺寸和约束

theme: cyanosis 前言 本文来分享一下,通过查看源码和布局信息解决的一个实际中的布局小问题,也希望通过本文的分享,当你遇到布局问题时,可以靠自己的脑子和双手解决问题。 如下所示,将 TextField 作为 AppBar 组件的 …

java版本工程项目管理系统平台源码,助力工程企业实现数字化管理

鸿鹄工程项目管理系统 Spring CloudSpring BootMybatisVueElementUI前后端分离构建工程项目管理系统 1. 项目背景 一、随着公司的快速发展,企业人员和经营规模不断壮大。为了提高工程管理效率、减轻劳动强度、提高信息处理速度和准确性,公司对内部工程管…

重塑元宇宙体验!元宇宙实时云渲染解决方案来了

元宇宙作为人工智能、云计算和数字孪生等前沿技术的结合体,近年来越发受到各大企业重视。 元宇宙的应用场景层出不穷,不仅包括营销推广场景,还有品牌活动和电商销售,能有效提升品宣和商业转化效果。 元宇宙也具有极大的建设价值…

2.Spring Security详细使用

目录 1. Spring Security详细介绍 2. Spring Security详细使用 3. Spring Security实现JWT token验证 4. JWT(JSON Web Token,JSON令牌) 5. Spring Security安全注解 认证流程 1.集中式认证流程 (1)用户认证 使用…

【Unity入门】15.鼠标输入和键盘输入

【Unity入门】鼠标输入和键盘输入 大家好,我是Lampard~~ 欢迎来到Unity入门系列博客,所学知识来自B站阿发老师~感谢 (一)监听鼠标输入 (1) Input类 Unity的Input类提供了许多监听用户输入的方法,比如我们常见的鼠标&a…

redis复制的设计与实现

一、复制 1.1旧版功能的实现 旧版Redis的复制功能分为 同步(sync)和 命令传播。 同步用于将从服务器更新至主服务器的当前状态。命令传播用于 主服务器状态变化时,让主从服务器状态回归一致。 1.1.1同步 当客户端向服务端发送slaveof命令…