Echocardiographic aortic insufficiency detection using 3-dimensional convolutional neural network from apical 4-chamber views

Abstract

Questo lavoro si propone di utilizzare il deep learning per rilevare automaticamente i casi di insufficienza aortica da video ecocardiografici. In particolare, è stato proposto l’uso di una CNN 3D (Convolutional Neural Network). In primo luogo, abbiamo costruito il nostro set di dati a partire da dati grezzi e non strutturati. È stato creato un database contenente tutti i parametri fenotipici e le misure ecocardiografiche dei pazienti. Tutti gli ecocardiogrammi, inoltre, sono stati etichettati con il tipo di vista a cui appartenevano, utilizzando una rete convoluzionale. Da questi dati strutturati, siamo riusciti a selezionare 117 pazienti per formare il set di dati da utilizzare per la classificazione dell’insufficienza aortica. Abbiamo sviluppato un classificatore basato su R(2+1)D, che accetta il video come input e fornisce in outuput la diagnosi dell’insufficienza aortica con una accuracy complessiva dell’87.1%.

Obiettivo

Utilizzo della AI per l’identificazione di insufficienza valvolare aortica in ecocardiografie

Metodologia di ricerca

Ricerca bibliografica e sperimentale

Conclusions

Il modello sviluppato ha raggiunto un’accuratezza complessiva dell’87,1% ed è stato in grado di rilevare correttamente l’80% dei casi di pazienti con insufficienza aortica e il 90% dei casi di pazienti senza insufficienza aortica. Questo studio ha dunque dimostrato come l’uso di una rete CNN 3D sia stato efficace nell’identificare questa patologia dai video ecocardiografici che mostrano la vista A4C.

Future developments

Estendere il dataset, migliorare le prestazioni del modello e aumentare la generalizzazione del rilevamento del rigurgito aortico, indipendentemente dalla fonte dei dati, individuare altre patologie.