Page 123 - 南京医科大学学报自然科学版
P. 123
第44卷第2期 杜 悦，史中青，戚占如，等. 一种超声心动图关键帧智能检测方法［J］.
2024年2月 南京医科大学学报（自然科学版），2024，44（2）：253-262 ·261 ·
的硬件条件下，在南京鼓楼医院数据集上，当输入图 图像的起止端，ResNet+VST模型在这类问题上表现
像大小设置为224×224像素时，16帧的超声序列片段 欠佳，后续考虑结合时序建模领域的最新研究，如
推理平均耗时仅为 21 ms，而在 EchoNet⁃Dynamic⁃ 新型RNN架构 ［22］ ；④部分样本的射血阶段持续时间
Tiny数据集上，当图像大小设置为112×112像素时， 较短，与ED之间的时间间隔较小，这容易导致标注
推理耗时更短，仅为10 ms，基本满足临床需求。 者之间、标注者内部的标注结果存在分歧，自然地，
然而，本研究仍存在不足之处：①数据量较少， 模型同样可能将射血阶段帧误判为 ED 帧，与真实
ResNet+VST 模型检测性能的更全面、充分评估，需 标签存在较大偏差（图10）。因此，进一步研究标注
要更大规模的数据集支持；②数据来源较为单一， 者之间和标注者内部的差异是必要的。
仅在两个数据集上进行实验，对模型泛化性的评估 综上所述，本研究所提出的基于 DL 的超声心
能效不足；③部分数据中关键帧位置位于超声动态 动图关键帧智能检测模型ResNet+VST，适用任意长
ED
•••
Frame No 61 62 63 64
ED
•••
65 66 67 68
ED：true label；ED ：model prediction.
图10 ResNet+VST模型预测异常示例
Figure 10 Example of abnormal prediction by ResNet+VST model
度且包含多个心动周期不同切面的超声心动图。 ［4］ 张 钒，陆正大，李春迎，等. 超声图像分割的研究进展
与目前常用的方法相比，该模型在检测精度和速度 ［J］. 临床超声医学杂志，2022，24（6）：453-456
方面均具有显著的优势，基本满足临床及实际应用 ［5］ 蒋建慧，姚 静，张艳娟，等. 基于深度学习的超声自动
需求，具有良好的应用价值。未来该模型有望作为 测量左室射血分数的研究［J］. 临床超声医学杂志，
超声心动图图像质量自动评估以及腔室容积、射血 2019，21（1）：70-74
［6］ ZENG Y，TSUI P H，PANG K J，et al. MAEF⁃Net：multi⁃
分数等心脏参数自动测量的预处理步骤，以实现更
attention efficient feature fusion network for left ventricular
准确和快速的心脏图像分析。
segmentation and quantitative analysis in two⁃dimensional
［参考文献］ echocardiography［J］. Ultrasonics，2023，127：106855
［1］ VIEILLARD⁃BARON A，MILLINGTON S J，SANFILIP⁃ ［7］ DARVISHI S，BEHNAM H，POULADIAN M，et al. Mea⁃
PO F，et al. A decade of progress in critical care echocar⁃ suring left ventricular volumes in two⁃dimensional echo⁃
diography：a narrative review［J］. Intensive Care Med， cardiography image sequence using level⁃set method for
2019，45（6）：770-788 automatic detection of end⁃diastole and end⁃systole frames
［2］ KHEIWA A，HARRIS I S，VARADARAJAN P. A practi⁃ ［J］. Res Cardiovasc Med，2013，2（1）：39-45
cal guide to echocardiographic evaluation of adult Fontan ［8］ KUSUNOSE K. Radiomics in echocardiography：deep
patients［J］. Echocardiography，2020，37（12）：2222- learning and echocardiographic analysis［J］. Curr Cardiol
2230 Rep，2020，22（9）：89
［3］ SIRJANI N，MORADI S，OGHLI M G，et al. Automatic ［9］ 罗 刚，泮思林，乔思波，等. 深度学习技术在胎儿超声
cardiac evaluations using a deep video object segmenta⁃ 心动图图像自动识别中的应用［J］. 实用医学杂志，
tion network［J］. Insights Imag，2022，13（1）：69 2022，38（14）：1830-1833
