Deep learning models for automatic classification ofechocardiographic views

Objective To observe the value of deep learning (DL) models for automatic classification of echocardiographic views. Methods Totally 100 patients after heart transplantation were retrospectively enrolled and divided into training set, validation set and test set at a ratio of 7 ∶ 2 ∶ 1. ResNet18, ResNet34, Swin Transformer and Swin Transformer V2 models were established based on 2D apical two chamber view, 2D apical three chamber view, 2D apical four chamber view, 2D subcostal view, parasternal long-axis view of left ventricle, short-axis view of great arteries, short-axis view of apex of left ventricle, short-axis view of papillary muscle of left ventricle, short-axis view of mitral valve of left ventricle, also 3D and CDFI views of echocardiography. The accuracy, precision, recall, F1 score and confusion matrix were used to evaluate the performance of each model for automatically classifying echocardiographic views. The interactive interface was designed based on Qt Designer software and deployed on the desktop. Results The performance of models for automatically classifying echocardiographic views in test set were all good, with relatively poor performance for 2D short-axis view of left ventricle and superior performance for 3D and CDFI views. Swin Transformer V2 was the optimal model for automatically classifying echocardiographic views, with high accuracy, precision, recall and F1 score was 92.56%, 89.01%, 89.97% and 89.31%, respectively, which also had the highest diagonal value in confusion matrix and showed the best classification effect on various views in t-SNE figure. Conclusion DL model had good performance for automatically classifying echocardiographic views, especially Swin Transformer V2 model had the best performance. Using interactive classification interface could improve the interpretability of prediction results to some extent.

心脏移植术后多模态影像学评估研究进展

心脏移植是治疗终末期心力衰竭的有效方法。术后早期急性细胞排斥反应(ACR)和中远期心脏移植物血管病变(CAV)是影响患者总生存率的主要因素。多模态影像学可准确、及时评估移植心脏结构和功能,对早期诊断及管理术后并发症具有重要意义。本文就心脏移植术后多模态影像学评估研究进展进行综述。

实时三维经食管超声心动图评估主动脉夹层

目的探讨实时三维经食管超声心动图(3D-TEE)评估主动脉夹层分型、判断是否累及主动脉根部及冠状动脉的价值。方法回顾性分析30例主动脉夹层患者的3D-TEE、二维经胸超声心动图(2D-TTE)、CTA检查结果,并与术中所见进行比较,计算3种成像方式对主动脉夹层分型诊断的符合率,以及3D-TEE、CTA诊断主动脉根部及冠状动脉受累的符合率。结果3D-TEE、CTA判断主动脉夹层DebakeyⅠ型、Ⅱ型、Ⅲ型的诊断符合率均为100%,2D-TTE的诊断符合率分别为76.47%(13/17)、80.00%(4/5)、75.00%(6/8);3D-TEE、CTA诊断累及冠状动脉的符合率分别为66.67%(4/6)、83.33%(5/6),诊断累及主动脉根部的符合率分别为100%(11/11)、72.73%(8/11)。结论实时3D-TEE可对主动脉夹层的范围、主动脉根部、冠状动脉等部位进行实时动态三维重建,为诊断主动脉夹层以及判断重要解剖结构受累情况提供影像学支持。

组织运动二尖瓣环位移对新型冠状病毒肺炎患者预后的预测价值

目的探讨组织运动二尖瓣环位移(tissue motion mitral annular displacement,TMAD)自动追踪技术预测新型冠状病毒肺炎患者预后的价值。方法回顾性纳入2020年1月29日至2020年3月4日华中科技大学同济医学院附属协和医院收治的新型冠状病毒肺炎患者104例,根据预后情况将其分为死亡组18例与存活组86例。所有患者均接受床边超声心动图检查,获取左心室射血分数(LVEF)、左心室整体纵向应变(LVGLS)、二尖瓣环连线中点最大位移(MAD)及二尖瓣环连线中点最大位移率(%MAD),比较两组各参数的差异。绘制ROC曲线,得到MAD、%MAD预测不良预后的截断值,进一步行Logistic回归分析,得出新型冠状病毒肺炎患者死亡的危险因素并评价MAD及%MAD预测死亡风险的能力。结果与存活组相比,死亡组LVGLS绝对值、MAD及%MAD更低,差异具有统计学意义(P均<0.05)。LVGLS、MAD及%MAD预测死亡的ROC曲线下面积分别为0.777、0.622、0.669(P均<0.05)。根据ROC曲线分析,LVGLS、MAD、%MAD的截断值分别为-17.9%、12.0 mm、14.6%时,其敏感度分别为93.8%、75.0%、75.0%,特异度分别为62.3%、50.7%、55.8%。单因素Logistic回归显示,MAD≤12.0 mm、%MAD≤14.6%是新型冠状病毒肺炎患者死亡风险的预测因素,OR值分别为3.500、4.421(P均<0.05)。结论MAD、%MAD与新型冠状病毒肺炎患者预后密切相关,MAD、%MAD减低是新型冠状病毒肺炎患者死亡风险的预测因子,且操作简单快捷,不依赖于图像质量,具有良好的临床应用价值。

全自动三维超声右心室定量软件评估心脏移植术后右心室功能的价值:与心脏磁共振比较

目的以心脏磁共振(cardiac magnetic resonance,CMR)为金标准,探讨加入人工智能技术的全自动三维超声右心室定量软件(3D Auto RV)评估心脏移植(heart transplantation,HT)术后右心室容积和右心室射血分数(right ventricular ejection fraction,RVEF)的可行性、准确性及可重复性。方法前瞻性纳入2018年10月至2019年6月于华中科技大学同济医学院附属协和医院行超声心动图复查,并且同意于超声心动图复查后24 h内行CMR检查的HT术后患者46例。分别应用CMR技术、3D Auto RV和常规半自动三维超声右心室量化软件(Tomtec 4D RV function 2.0)获取右心室舒张末期容积(RVEDV)、右心室收缩末期容积(RVESV)、右心室每搏量(RVSV)及RVEF。分别将3D Auto RV、常规半自动Tomtec的测量结果与CMR的测量结果进行比较,比较方法采用配对样本t检验、Pearson相关分析和一致性检验。结果3D Auto RV的可分析率为87%,该软件实现了在27例(59%)患者进行全自动分析,整个分析过程无需调节,分析时间仅需要(12±1)s;另外19例(41%)患者的分析结果需要手动调节,平均分析时间在2 min内,短于常规半自动Tomtec量化软件分析时间[(108±15)s对(160±34)s,P<0.001]。对于右心室容积:3D Auto RV和常规半自动Tomtec分析的RVEDV、RVESV和RVSV,均与CMR分析的相应测量值具有较高的相关性(r=0.77~0.84,均P<0.001)。与CMR测量值比较,3D Auto RV和常规半自动Tomtec技术均低估HT术后患者的RVEDV、RVESV和RVSV,但是3D Auto RV较常规半自动Tomtec的负性偏倚值更小。对于RVEF:3D Auto RV获得的RVEF与CMR获得的RVEF具有很高的相关性与一致性(r=0.84,P<0.001;偏倚值=-1.1%,一致性界限=-8.1%~6.0%)。另外,3D Auto RV手动调节获取的右心室容积和RVEF与CMR相应测量值的相关性(r=0.63~0.72,均P<0.001)低于全自动分析获取的右心室容积和RVEF与CMR相应测量值的相关性(r=0.76~0.82,均P<0.001)。重复性分析显示3D Auto RV获取的RVEDV、RVESV、RVSV和RVEF均具有很好的重复性。结论3D Auto RV轻度低估HT术后右心室容积,但是其低估程度低于常规半自动TomTec。3D Auto RV可以准确量化HT术后RVEF,分析过程快速,且分析结果可重复性好,有望实现在HT术后患者随访中的常规临床应用。

深度学习在超声心动图中的研究进展

超声心动图是临床评估心脏结构和功能的主要影像技术,具有无创、无辐射、实时等优点。随着深度学习的出现,利用深度神经网络分析超声心动图已成为目前研究的主流。笔者将从不同超声模态展开,根据超声心动图检查全流程,从标准切面的获取、分类,至量化心脏结构和功能,以及疾病诊断等方面,充分阐述深度学习在每一个环节中的最新研究进展。