基于CNN的心脏间隔缺损图像自动分割的初步研究

医学信息学解锁24（2021）100601基于轮廓区域的卷积神经网络心脏间隔缺损图像自动分割的初步研究Ria Novaa，Siti Nurmainib，*，Radiyati Umi Partan c，Sukman Tulus Putra daSriwijaya大学医学院Moh Hoesin医生医院儿科心脏病科儿童健康部，印度尼西亚b印度尼西亚巨港市斯里维加亚大学智能系统研究组，邮编30139c医学部，博士。MohHoesin医院，Sriwijaya大学医学院，巨港，30126，印度尼西亚d儿童健康部，儿科心脏病科，Dr. CiptoMangunkusumo医院，印度尼西亚大学医学院，雅加达，10430，印度尼西亚A R T I C L EI N FO保留字：心脏间隔缺损轮廓分割深度学习CNNsA B S T R A C T超声心动图检查是诊断心脏间隔缺损的重要手段。随着基于AI的技术的发展，以前由心脏病专家手动进行的超声心动图检查可以自动完成。心脏间隔缺损的自动分割可以帮助医生在转诊给儿科心脏病专家进行进一步治疗之前做出初步诊断。在以前的研究中，使用卷积神经网络（CNN）的自动对象分割是为心脏异常开发的DL应用之一。在这项研究中，我们提出了一种基于CNN的U-Net架构，可以自动分割心腔，以检测心脏隔膜中的异常（孔）。在这项研究中，对在巨港Moh Hoesin医院接受超声心动图检查的患者的房间隔缺损（ASD）、室间隔缺损（VSD）、房室间隔缺损（AVSD）和正常心脏进行超声心动图检查。结果表明，即使对于相对较少的数据集，所提出的技术可以产生优越的性能，在心脏间隔缺损的检测。使用所提出的分割模型的四个类产生一个像素的准确性为99.15%，平均交集（IOU）的94.69%，平均准确性为97.73%，灵敏度为96.02%，和F1得分为94.88%，分别。损失曲线U-Net的轮廓预测比较准确率为99.01%，而V-Net为93.70%。这表明，U-Net比V-Net模型架构具有更好的准确性。可以证明，CNN的架构已经成功地分割了心腔，以检测心脏隔膜中的缺陷并支持心脏病学家的工作1. 介绍先天性心脏病（CHD）是新生儿最常见的先天性异常[1]。心脏和血管的解剖学异常甚至从子宫内的第一个三个月开始就发生了。冠心病有许多类型，从轻度到重度不等，常见和罕见病例都有[2]。心脏间隔缺损是一种以心房、心室或心房和心室间隔中的孔为特征的CHD，分别对应于房间隔缺损（ASD）、室间隔缺损（VSD）和房室间隔缺损（AVSD）[1]。ASD和VSD是最常见的CHD病变，而AVSD不太常见[2]。尽管AVSD并不像与ASD和VSD病例一样常见，一般来说，症状更严重，且检测过期[3，4]。同样，尽管有许多ASD和VSD病例，但它们仍然被发现得太晚，因此治疗变得延迟和无效[3]。早期检测延迟的原因是并非所有疑似心脏间隔缺损的病例都可以通过超声心动图检测到，而超声心动图是诊断CHD的金标准检查[5]。为了解决晚发现的问题，每一个怀疑有心脏间隔缺损的病例都应该由医生进行超声心动图检查[5]。然而，并非所有医生都能进行超声心动图检查，因为该检查需要特殊技能以避免误诊[6]。此外，心脏病专家* 通讯作者。智能系统研究组，Sriwijaya大学计算机科学学院，巨港，30137，印度尼西亚。电子邮件地址：rialuthfan@yahoo.com（R. Nova），sitinurmaini@gmail.com（S. Nurmaini），radiandinadr@yahoo.co.id（R.U. Partan），sukmanputra@yahoo.com（S.T.Putra）。https://doi.org/10.1016/j.imu.2021.100601接收日期：2021年1月27日;接收日期：2021年5月12日;接受日期：2021年5月12日2021年5月23日网上发售2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊首页：www.elsevier.com/locate/imuR. Nova等人医学信息学解锁24（2021）1006012Fig. 1. 二维超声心动图心尖4腔和5腔视图中ASD、VSD、AVSD和正常心脏的原始数据样本。RSMH病历数据来源，11月7日，2019.目前还没有在每一个外围保健服务机构中建立这种机构，因为其数量仍然有限。因此，即使超声心动图在周边卫生服务中可用，其用于检测CHD的用途仍然是次优的[6]。基于所有这些局限性，用先进技术改进筛查检查以实现使用超声心动图的准确、自动的心脏间隔异常检测已成为一个主要问题。为了识别心脏间隔缺损，医生使用听诊器进行听诊以听心音和杂音[7]。虽然第一心音正常，第二心音典型的宽裂，在胸骨左上缘肺区可听到柔和的收缩期喷射性杂音[8]，但ASD的误诊仍很常见[3]。室间隔缺损的误诊也经常发生，因为胸骨左下缘的典型全收缩期杂音的声音根据室间隔缺损的类型和大小而变化[9]。AVSD也会出现同样的问题，并且可能经常听不到杂音[1]。因此，需要超声心动图来确认心脏间隔缺损的诊断。如今，已经开发了基于计算机的诊断系统。换句话说，超声心动图判读是数字化的，由计算机设备（计算机辅助诊断）使用人工智能（AI）辅助[10随着基于人工智能的技术的发展，以前由心脏病专家手动进行的用于检测心脏间隔缺损的超声心动图检查可以自动完成。自动超声心动图检查可用于帮助医生在转诊给心脏病专家进行进一步管理之前进行早期检测。深度学习（DL）作为人工智能的一部分，近年来在医学成像领域表现出了巨大的潜力。DL在医学成像中最常见的应用是图像分类[13尽管DL已被广泛应用于具有高分辨率的2D心脏图像，准确性，据我们所知，到目前为止，只有有限的研究开发了心脏间隔缺损。对象分割是可开发用于心脏间隔缺损的DL应用之一。轮廓病变可以通过分割来识别所以 的心脏间隔 缺陷可以 被诊断准确。因此，使用CNN提高心脏间隔缺损的2D分割性能对于深入研究非常重要。本研究的新颖性和贡献如下：设计一种用于心脏图像中心脏间隔缺损情况高精度分割的CNN模型;开发基于CNN的U-Net架构，用于分割ASD、VSD、AVSD和正常情况的轮廓区域;以及在pixel准确率、平均交集、平均准确率、精确率、召回率和F1得分方面，使用V-Net架构验证所选模型。本文的其余部分组织如下：第2节解释了材料和方法，第3节介绍了结果，第4节提供了讨论。最后，第5节提出了结论。2. 方法2.1. 数据采集对8例ASD、VSD、AVSD及正常心脏患者进行超声心动图检查。受试者的年龄从1岁到5岁不等，所有受试者都在2019年11月至2020年1月期间访问了Moh Hoesin医院的儿童心脏诊所。所有患者均进行了二维超声心动图检查，具有6个标准视图，即胸骨旁长和短，心尖4-（A4 C）和5-（A5 C）腔，肋下和胸骨上视图。在本研究中，我们重点关注A4C和A5C视图，如图1所示。这种焦点的选择是由于房间隔、室间隔和心脏的四个腔室在一个视图中清晰可见。我们覆盖了从ASD、VSD、AVSD和正常心脏的两个视频中的每个视频中获得的200个图像，用于训练和验证。2.2. 预处理用于分割的婴儿视频的预处理包括四个部分···R. Nova等人医学信息学解锁24（2021）1006013××图二、数据预处理的主要步骤。图三. 将AVSD的US视频转换为帧。图四、AVSD的图像裁剪过程。主要步骤，如图2所示;（i）婴儿视频到图像帧。file.avi的类型和长度是5s。我们使用cv2.VideoCapture（）;然后逐帧读取婴儿视频，其中使用cv2.imwrite（）代码将帧存储在帧存储中，以创建婴儿图像的基础事实。随后，我们（ii）进行了数据过滤过程中，一个关闭的阀门的情况下;（iii）裁剪所有的婴儿图像从帧的基础上800 - 600像素的EL;（iv）和注释的标签的婴儿图像的数据注释工具（ AdobePhotoshop）。标签由一个洞和一个心脏腔室组成。如果只有心脏的腔室，则被确定为正常。标签输出保存在图像阈值化中。对于之前获得的视频，下一步是将视频转换为帧或图像。从使用OpenCV插入Python库的原始视频数据中，视频将被转换为许多帧。数据以. avi格式记录在视频中，然后转换为. jpg格式的帧。图3示出了被转换成AVSD的帧在将视频转换为帧的过程中获得的结果将根据Python库获得的输出产生许多帧。所获得的数据帧结果具有800 - 600像素的大小，并且在数据帧中仍然存在许多不必要的信息。因此，下一阶段是切割之前已经执行的图像帧。此阶段的执行与使用库Python软件将视频转换为帧过程中使用Python库裁剪框架，裁剪范围调整为右、左、上、下，以删除不必要的信息，如图4所示。因为像素像素帧的大小是最大的，它足以用于下一个过程，所以不执行图像裁剪。预处理这些数据的最后一步是标记之前已剪切的数据。标记图像或地面实况的过程使用Adobe Photoshop和Illustrator的帮助，因为PSDPhotoshop软件支持标签在标记图像数据的过程中获得良好的结果。图5示出了原始ASD、VSD、AVSD和正常心脏帧的地面实况。八个超声心动图视频被转换成几个帧（图像）-大约100到500个图像-用作信息源。图像总数约为4000。然而，在设计用于获得良好分割模型的过程中，仅选择了质量良好的图像，留下2609个。从所选图像中，对50个图像中的每一个执行地面实况，如表1所示。用于训练和测试的200个地面实况数据集以及不同类别的流行率，如表2所示。为了确保目标检测的过程在良好的性能下运行，使用Intel i9-9900 kCPU和NVIDIA GPU RTX 2080 ti 11 GB作为测试服务器。处理时间在很大程度上取决于Windows 10操作系统中一个图像中的卷积层数量。R. Nova等人医学信息学解锁24（2021）1006014IJ（∑IJIJ××××表1图五、ASD 、VSD、AVSD和正常心脏的图像标记过程。层l-1处的地图I和层l处的特征地图j。具体来说，单位ASD、VSD、AVSD和正常心脏数据集。的卷积层l的特征映射k（l）通过如下卷积核k（l）来仅基于前一层l-1的特征映射A（il-1）中的单元的空间连续子集计算它们的激活A（jlA（jl）=M（1-1）i=1A（il-1）*k（l）+b（jl）），（1）表2用于训练和测试的数据集。没有超声心动培训测试1ASD34102VSD30113AVSD34124正常3213总15446CNN预训练模型的验证过程是用不同的超参数和网络模型。使用的学习率过程为10- 5，epoch为1000，批量大小为64。2.3. 模型架构本研究中使用的深度学习方法采用CNN。本研究选择基于CNN的U-Net架构，因为该架构已被证明在心脏图像分割方面表现出良好的性能[20]。CNN旨在通过将2D图像作为输入来更好地利用空间和几何信息[21]。从结构上讲，CNN的卷积层穿插着池化层，然后是完全连接的层，就像标准的多层神经网络一样[21，22]。卷积层的作用是检测输入特征图中不同位置的局部特征，可学习核k（l），即特征其中，M（1- 1）表示层1- 1中的特征图的数量，星号表示卷积算子，并且b（1- 1）是偏置参数。由于权重共享和局部感受野的机制，当输入特征图稍微移位时，特征图中的单元的激活被移位相同的量。在这项研究中，CNN的架构模型是用于缺陷分割的U-网。通常，U-Net架构在图6中被描绘如下：U-Net架构由收缩路径（左侧）和扩展路径（右侧）组成。收缩路径遵循卷积网络的典型架构。它由两个3 3卷积（未填充卷积）的重复应用组成，每个卷积后面都是一个整流线性单元（ReLU）和一个步长为2的22最大池化操作，用于下采样。在每个下采样步骤中，我们将特征通道的数量在广阔的每一步路径由特征图的上采样和2× 2卷积（“上卷积”），其将特征通道的数量减半，与来自收缩路径的相应裁剪特征图的级联，以及两个33卷积，每个卷积后面都是ReLU。裁剪是必要的，因为在每个卷积中丢失了边界像素。在最后一层，使用11卷积将每个64分量特征向量映射到所需数量的类。总的来说，网络有23个卷积层。表3中定义了架构的所有参数。本研究亦将此架构模型与V- Net进行比较.虚拟网络方法包括两个主要部分。左侧部分包括两个功能：左侧区域，由压缩路径组成;右侧区域，对输入进行解压缩，直到达到其初始大小。V-Net架构类似于U-Net模型，但没有超声心动原始图像地面实况患者1患者21ASD302557502VSD166115503AVSD320302504正常27757050总10651544200R. Nova等人医学信息学解锁24（2021）1006015××∑n iiincl我不见图6。 U-Net架构。表3U-net架构。层内核大小，特征图步幅激活功能输出形状表5每个类别U-Net架构的验证分割预测（%）输入层卷积层164× 64X 3 1 ReLu 128× 128X 3最大池数1 2×2 2卷积层2128× 128X 3 1 ReLu 256× 256X 3F1得分93.99 92.83 95.81 93.66最大池2 2×2 2卷积层3256× 256X 3 1 ReLu 512× 512X 3有些不同网络的左边部分分为最大池化3 2× 2512X 32在不同分辨率下运行的不同阶段。每个步骤包括卷积层4512×1 ReLu 1024× 1024X3一到三个卷积层。在每个阶段，残差函数是辍学率p=0.5最大池化4 2×2 2学习与非残差学习网络（如U-Net）相比，这种结构确保了收敛性。卷积使用卷-卷积51024×31024X1热路3512× 512X 2度量核 分辨率降低卷积与2 2 2体积像素宽种子应用步幅2。PreLU用作非线性脱落率p=0.5上512× 512X 2 3（轴）ReLu 512× 512X 3激活函数正确的网络提取特征并扩展低分辨率特征图的空间支持，卷积层512× 512X 3 1 ReLu 256× 256X 2收集必要的信息，以输出双通道体积6上升256×256X 2 3（轴）ReLu256×256X 3细分采用反卷积操作，以增加卷积层7256× 256X 3 1 ReLu 128× 128X 2输入的大小，然后是一到三个卷积层。学习剩余函数。最后一个卷积层，具有1× 1上128× 128X 2 3（轴）ReLu 128× 128X 3×1内核大小，产生与输入体积相同的大小可能性-卷积层8128× 128X 3 1 ReLu 64× 64X 2前景和背景区域的视觉分割是自动的。最高64 × 64 X23（轴）ReLu64 × 64 X3通过应用softmax vo X elwise实现。类似于U形网，水平卷积层964× 64X 3 1 ReLu 2× 2X 3具有位置信息的连接在压缩路径中丢失（左）。这可以帮助向正确的部分提供位置信息，输出层表4四类基于U-Net结构的有效（%）像素精度（PA）99.15提高最终轮廓预测的质量。连接改善了模型的收敛时间2.4. 性能度量为了验证所提出的模型的心脏分割性能，所使用的统计分析是像素精度、平均精度、平均交集联合（平均IU）、精确度、召回率和F1得分，平均交并94.69将其与下面定义的地面事实进行比较。平均准确度（MA）97.73精密度93.83召回96.02F1得分94.88像素 精度为（2）第一个条件平均准确度=1∑nci（三）ASDVSDAVSD正常PiX el精度99.0598.6299.3998.97平均交点并93.8492.5795.6693.52平均准确度98.2195.3297.5696.18精度91.0694.5896.2794.67召回97.2291.2195.4192.83R. Nova等人医学信息学解锁24（2021）1006016见图7。 使用基于CNN的U-Net架构的分割结果。 星号（）表示房间隔缺损、室间隔缺损和房室间隔缺损的房间隔和室间隔缺损。R. Nova等人医学信息学解锁24（2021）1006017TP+FPTP+FN∑我1∑nc i∑π gi平均IU= =ncl精密度=TP召回=TPti+∑jnji-nii（4）（五）（六）其中nij是预测属于类j的类i的pi x el的数量，其中存在ncl个不同的类，并且ti=jnij是类i的pi x el的总数。TP、FP和FN分别是真阳性、假阳性和假阴性。对于F1分数，骰子系数方程为使用如下：nD=2∑npi2+∑ngi2（ 7）我我见图8。超声多普勒显示ASD、VSD和AVSD血流由左向右。表6两种分段性能模型架构的比较验证业绩（%）U-NetV-NetPiX el精度99.1597.27平均IU94.6984.88平均准确度97.7391.08精度93.8383.03召回96.0283.68F1分数94.8883.12其中pi是预测，gi是地面实况。3. 结果在这项研究中，所提出的模型由九个卷积层组成，然后是最大池化层，丢弃层和上层。如表4所示，使用针对四个类别的建议分割模型分别产生99.15%的像素准确度、94.69%的平均IU、97.73%的平均准确度、96.02%的灵敏度和94.88%的F1评分。表5分别揭示了ASD、VSD、AVSD和正常心脏的所提出的分割模型的结果。U-Net架构成功地预测了所有这些群体的细分。对于这些组中的每一个，分割的性能，特别是像素精度，达到95%以上-甚至对于ASD和AVSD，超过99%。在图7中，我们可以看到使用基于CNN的U-Net架构获得的原始图像、地面实况和预测图像的分割结果。通过观察图片，可以看出房间隔中连接的白洞的存在表明ASD的存在。同样，在室间隔中连接的白洞的存在表明VSD的存在，并且它们在心房和室间隔中的存在表明AVSD。在这张图片中，我们还可以看到，在正常心脏中，房间隔或室如图8所示，通过超声多普勒检查，可以确定心房、心室或两个间隔中缺损的位置。该图显示了心房、心室或两个间隔中从左到右的多普勒血流（红色），显示了ASD、VSD和AVSD的位置。如果我们将回波多普勒图像与所提出的U-Net架构分割进行比较，则心脏间隔缺损的位置与原始图像非常相似。我们还比较了U-Net和V-Net架构之间的分割性能的结果。从表6中可以看出，对于分割性能，U-Net模型优于V-Net模型。在U-Net pixel架构中，准确率为99.15，高于V-Net。同样，平均IU、平均准确率、精确率、召回率和F1得分也高于V-Net。除了地面实况预测，我们还预测了心脏间隔缺损的轮廓，并比较了两种结构模型之间的性能。在图9中，示出了与V-Net相比，在U-Net架构模型中心脏间隔缺损的地面实况和轮廓预测的性能更好。我们已经在图10中揭示了每种ASD、VSD、AVSD和正常心脏类别的准确性和损失的图表。ASD、VSD、AVSD和正常心脏的分割准确率分别为99.05%、98.62%、99.39%和98.97%。在图10中，我们还显示了每个类别的损失模型在损失模型中，可以看出，R. Nova等人医学信息学解锁24（2021）1006018见图9。 U-Net和V-Net架构之间的模型比较。从小历元到1000历元，除ASD外，损失值较低且稳定。4. 讨论据我们所知，这是第一份报告描述的心脏间隔缺损的分割从二维超声心动图图像。在这项研究中，我们表明，基于CNN的U-Net架构可以完全解释心脏间隔缺损的分割。Chen等人也报告了同样的情况，尽管不是心脏间隔缺损，但关于基于CNN的U-Net用于心脏分段的成功[23]。在这项研究中，已经表明，所提出的U-Net架构可以分割正常心脏，也可以几乎完美地分割心脏间隔中的孔。每个组的精确度和召回率的值也很高，这对于向我们展示图像没有过度分割或分割不足是很重要的。同样的，骰子的分数也很高。高的骰子分数表明，图像分割与建议的架构模型是几乎类似的地面真相。 虽然没有类似的研究，但性能结果我们的研究优于Perrin等人的研究。在这项研究中，我们描述了CNN如何能够以92%的准确率区分左心发育不良综合征（HLHS）和大动脉转位（TGA）;然而，对于主动脉缩窄，性能仍然很差。由于主动脉缩窄的实际病理学不在视野内，因此可能出现性能差[24]。其他几项研究也证明了DL在心室2D分割方面的成功，如表7所示。Veni 等人和Smistad等人已经报道了DL方法成功执行左心室分割任务，但与最近研究人员进行的研究相比，结果并不成功[25，27]。Diller等人的研究正确描述了U-Net架构模型，用于评估具有系统性右心室的患者，并且与人类专家相比，在分割系统性右心室或左心室方面实现了高性能（根据诊断，dice度量在0.79和0.88之间）[28]。在这项研究中，他们说明了如何训练适当的DL模型，以识别具有复杂心脏解剖结构的患者的体循环心室，并在这种情况下描绘内膜边界[28]。Jafari等人进行的另一项研究表明，R. Nova等人医学信息学解锁24（2021）1006019图10个。ASD 、VSD、AVSD和正常心脏的损失和准确性曲线。R. Nova等人医学信息学解锁24（2021）10060110表72D心室分割深度学习方法综述作者方法骰子系数虽然结果看起来很有希望，但我们的研究存在一些局限性。(i)仅分割一个超声心动图视图，患者变化仍然有限。使心间隔的表现Diller等人，2019Jafari等人，2019Leclerc等人，2019Veni等人，2018Smistad等人，2017与人类专家相比，U-Net架构分割系统性右心室基于U-Net T-L网的无标注框架在大型异构数据集上训练的U-NetFCN（U-Net）后接基于水平集的可变形模型使用基于卡尔曼滤波器的方法生成的标签训练的U网正常心脏0.88±0.06TGA 0.86 ±0.06CcTGA 0.79±0.08ED 94.1 ±3.3ES 93.0 ±3.9ED 0.93 ±0.04ES 0.91 ±0.060.86 ±0.060.86 ±0.06为了更准确地检测心脏间隔缺损，有必要对部分超声心动图图像进行分割，以确定心脏间隔缺损的类型。(ii)将这项研究扩展到其他异常情况可能会为这一研究领域做出巨大贡献5. 结论本研究成功地建立了心间隔缺损的自动诊断方法。使用卷积神经网络分割2D超声心动图图像中的心脏间隔缺损， 网络. 基于cnn的 U-Net架构可以成功地解释心脏间隔缺损的分割使用所提出的我们提出的模型U-Net分割婴儿心脏0.94 ±0.05针对四个类别（即ASD、VSD、AVSD和正常心脏）的分割模型产生99.15%的像素准确度，94.69%的平均IUarchitecture成功地用半监督学习方法在舒张末期和收缩末期期间分割左心室[29]。同样，Leclerc等人报告了心室分割的U-Net架构的成功结果[30]。我们还比较了U-Net和V-Net架构之间的分割性能的结果。这两种体系结构模型用于医学图像分割。V-Net架构的工作与U-Net相同，但架构中的过程略有不同。此外，V-Net通常用于3D图像，而U-Net用于2D图像[26，31]。从表6中可以看出，对于分割性能，U-Net模型优于V-Net模型。此外，使用本研究中提出的U-Net架构模型相比V-Net可以更详细、更准确地描述心房空间、心室空间、二尖瓣、三尖瓣和主动脉。在U-Net pixel架构中，准确率比V-Net高99.15。同样，平均IU、平均准确率、精确率、召回率和F1得分也高于V-Net。从比较结果中，我们总结如下：该模型的整体性能优于其对应的有限的数据集。这意味着它更适合于更大、更异构的数据集。当评估四种婴儿心脏状况时，基于CNN分割的U-Net架构的整体性能更好：ASD，VSD，AVSD和正常。这表明所提出的模型可以针对心脏中的其他异常进行改进性能结果与V-Net架构进行了比较，V-Net架构在像素准确率、平均IU、平均准确率、精确率、召回率和骰子得分方面产生了更高的性能。平均准确率为97.73%，敏感性为96.02%，F1评分为94.88%。在这项研究中，它被证明，提出的U- Net架构模型具有非常高的准确度，预测心脏间隔缺损的轮廓病变的错误率非常小。通过这些发现，心脏间隔缺损的诊断将更加精确，并且可以自动完成，因此所有医生在进行超声心动图检查时都可以使用。将来，这项研究将在更多的患者中进行，并结合几个超声心动图视图。作者贡献S.N.概念化、监督、审查编辑、数据分析员;&R.N.数据准备，资源和写作原始草案; R. U. P.审查编辑; S. T. P.审查编辑。&&竞合利益作者声明无利益冲突确认我们感谢所有为本研究做出巨大贡献的同事和所有心脏间隔缺损患者。我们非常感谢三佛齐大学计算机科学学院附录。···R. Nova等人医学信息学解锁24（2021）10060111图3.第三章。ASD 、VSD、AVSD和正常心脏的 US 视 频 转 换 为帧R. Nova等人医学信息学解锁24（2021）10060112图四、ASD 、VSD、AVSD和正常心脏的图像裁剪过程R. Nova等人医学信息学解锁24（2021）10060113引用[1] Puri K，Allen HD，Qureshi AM.先天性心脏病。Pediatr Rev 2017;38（10）：471-86。https://doi.org/10.1542/pir.2017-0032网站。[2] 全球先天性心脏病的出生率1970-2017：260项研究的更新系统综述和荟萃分析。国际流行病学杂志2019;48（2）：455-63。https://doi.org/10.1093/ije/dyz009网站。[3] Rashid U，Qureshi AU，Hyder SN，Sadiq M.发展中国家三级保健中心先天性心脏病的模式：与延迟诊断相关的因素。儿科心脏病学杂志2016;9（3）：210-5。https://doi.org/10.4103/0974-2069.189125.[4] BackerCL，EltayebO，Mon g′eMC，MazwiML，CostelloJM. 第一部分：动脉导管未闭、房间隔缺损、室间隔缺损和房室间隔缺损。儿科重症监护医学2016;17（8）：S302-9。网址：http：//doi.org/10.1097/PCC.0000000000000786[5] Mcleod G，et al.先天性心脏病的超声心动图。2018年血管疾病进展。https://doi.org/10.1016/j.pcad.2018.11.004网站。468比75[6] Saraf RP，V Suresh P，Maheshwari S，Shah SS.在主要中心进行的儿科超声心动图：诊断错误和缺失的链接！儿科心脏病学杂志2015;8（258）：20-5。https://doi.org/10.4103/0974-2069.149514网站。[7] 赵庆强，牛春，刘芳，吴丽，马晓娟，黄光荣。 普通儿科医生心脏听诊诊断新生儿 先 天 性 心 脏 病 的 准 确 性 。 CardiolYoung 2019 年 5 月 ;29 （ 5 ） ： 679-83。https://doi.org/10.1017/S1047951119000799网站。[8] 作者声明：John L. 儿童孤立性房间隔缺损（ASD）：分类、临床特征和诊断2020. 更新。[9] FultonADR，Saleeb S. 婴儿和儿童孤立性室间隔缺损的解剖、临床特征和诊断。2020年。p. 1比26 更新。[10] Ghorbani A等人，超声心动图的深度学习解释。npj Digit Med 2020：1-10.https://doi.org/10.1038/s41746-019-0216-8网站。[11] Kusunose TSM，Haga K，Abe A.人工智能在超声心动图中的应用。Circ J2019;83（8）：1623-9。https://doi.org/10.1253/circj.CJ-19-0420。[12] Gandhi S，Mosleh W，ShenJ， Chow CM.超声心动图中的自动化、机器学习和人工智能：一个勇敢的新世界。超声心动图2018;35（9）：1402-18。https://doi.org/10.1111/echo.14086网站。[13] 李志华，李志华.心血管图像分析中最先进的深度学习。JACC（J Am CollCardiol）：心血管成像2019;12（8）：1549-65。https://doi.org/10.1016/j的网站。 jcmg.2019.06.009。[14] 作者：A，R，M，R.使用深度学习对超声心动图进行快速准确的视图分类。npjDigital Medicine 2018;1（1）：1-8. https://doi.org/10.1038/s41746-017-0013-1。[15] [10] Khamis H，Zakhov G，Azar V，Raz A，Friedman Z，Adam D.使用判别式学习词典对超声心动图心尖视图进行自动分类。医学影像分析2017;36：15-21.https://doi.org/10.1016/j.media.2016.10.007网站。[16] Dezaki FT等人，使用密集门控递归神经网络和全局极值丢失进行超声心动图中的心脏相位检测。IEEE Trans Med Imag 2019;38（8）：1821-32。https://doi.org/10.1109/TMI.2018.2888807网站。[17] [10]李晓，李晓，李晓.使用深度学习的2D左心室分割。IEEE国际超声研讨会，IUS 2018。网址：http：//doi.org/10.1109/ULTSYM.2017.8092812一比四[18] 阿尔切夫斯卡湖使用卷积神经网络分割2D超声图像中的左心室。 2016年。[19] Leclerc S等人，在2D超声心动图中使用开放的大规模数据集进行深度学习分割。IEEE Trans Med Imag 2019;99：1-13.https://doi.org/10.1109/TMI.2019.2900516.[20] Ronneberger O，Fischer P，Bro X T. U网：用于生物医学图像分割的卷积网络。2015年。p. 1-8号。arXiv：1505.04597v1 [cs.CV]。[21] 沈丹，吴刚，石宏.医学图像分析中的深度学习。AnnuRev BiomedEng 2017;19：221-48.[22] Liu S，et al. Deep learning in medical ultrasound Analysis：a review.工程2019;5（2）：261-75。https://doi.org/10.1016/j.eng.2018.11.020网站。[23] Chen C等人，“Deep learning for cardiac image Segmentation：a review.前血管医学2020;7：1-33。https://doi.org/10.3389/fcvm.2020.00025。三月[24] Perrin DP，Mr. A，Rodriguez A，Marx GR，del Nido PJ.卷积人工神经网络在超声心动图中的应用以区分儿科人群中的先天性心脏病。医学影像2017. 网址：//doi.org/10.1117/12.2254083。计算机辅助诊断，第10134卷，第1013431页，2017年。[25] [10]张文辉，张文辉.基于完全卷积网络先验驱动的形状引导可变形模型的超声心动图分割。Proceedings - International Symposium on Biomedical Imaging2018：898-902. https://doi.org/10.1109/ISBI.2018.8363716。2018年4月，没有。伊斯比[26] [10] Milletari F，Navab N，Ahmadi SA. V-Net：用于体积医学图像分割的全卷积神经网络。收录于：Proceedings - 2016第四届3D视觉国际会议，3DV 2016;2016。第565- 571页。https://doi.org/10.1109/3DV.2016.79.[27] [10]李晓，李晓，李晓.使用深度学习的2D左心室分割。在：IEEE国际超声研讨会。 IUS; 2017. p. 1比5。https://doi.org/10.1109/ULTSYM.2017.8092573网站。2018年7月[28] Diller G-P等人，机器学习算法在评估系统性右心室患者中的效用。欧洲心脏血管成像杂志2019;20（8）：925-31。https://doi.org/10.1093/ehjci/jey211。[29] Jafari MH等人，使用条件深度生成模型作为先验的心脏左心室分割的半监督学习。在：会议记录-国际生物医学成像研讨会。2019年; 2019年。第649- 652页。https://doi.org/10.1109/ISBI.2019.8759292。艾普丽尔不伊斯比[30] Leclerc S等人，在2D超声心动图中使用开放的大规模数据集进行深度学习分割。IEEE Trans Med Imag 2019;38（9）：2198-210。网址：//doi.org/10.1109/TMI.2019.2900516。[31] 赵志，杨玲，郑宏，顾立宏，张松，张宗东，白春。使用弱注释的3D生物医学图像分割，第1卷。LV. Springer InternationalPublishing; 2018.