We present a Machine Learning (ML) study case to illustrate the challenges of clinical translation for a real-time AI-empowered echocardiography system with data of ICU patients in LMICs. Such ML case study includes data preparation, curation and labelling from 2D Ultrasound videos of 31 ICU patients in LMICs and model selection, validation and deployment of three thinner neural networks to classify apical four-chamber view. Results of the ML heuristics showed the promising implementation, validation and application of thinner networks to classify 4CV with limited datasets. We conclude this work mentioning the need for (a) datasets to improve diversity of demographics, diseases, and (b) the need of further investigations of thinner models to be run and implemented in low-cost hardware to be clinically translated in the ICU in LMICs. The code and other resources to reproduce this work are available at https://github.com/vital-ultrasound/ai-assisted-echocardiography-for-low-resource-countries.
translated by 谷歌翻译
使用相对比心脏磁共振成像（PC-CMR）进行的流量分析可以量化用于评估心血管功能的重要参数。该分析的重要部分是鉴定正确的CMR视图和质量控制（QC），以检测可能影响流量定量的伪像。我们提出了一个新型的基于深度学习的框架，用于对完整CMR扫描的流量进行完全自动化的分析，该框架首先使用两个顺序卷积神经网络进行这些视图选择和QC步骤，然后进行自动主动脉和肺动脉分段，以实现对量化的量化。钥匙流参数。对于观察分类和QC，获得了0.958和0.914的精度值。对于细分，骰子分数为$> $ 0.969，而平淡的altman情节表示手动和自动峰流量值之间的一致性很高。此外，我们在外部验证数据集上测试了管道，结果表明管道的鲁棒性。这项工作是使用由986例病例组成的多生临床数据进行的，表明在临床环境中使用该管道的潜力。
translated by 谷歌翻译
在计算机视觉中，在评估深度学习模型中的潜在人口偏见方面具有重要的研究兴趣。这种偏见的主要原因之一是训练数据中的失衡。在医学成像中，偏见的潜在影响可以说要大得多，因此兴趣较小。在医学成像管道中，对感兴趣的结构的分割在估计随后用于告知患者管理的临床生物标志物方面起着重要作用。卷积神经网络（CNN）开始用于自动化此过程。我们介绍了训练集失衡对种族和性别偏见在基于CNN的细分中的影响的首次系统研究。我们专注于从短轴Cine Cine心脏磁共振图像中对心脏结构进行分割，并训练具有不同种族/性别不平衡水平的CNN分割模型。我们发现性实验没有明显的偏见，但是在两个单独的种族实验中有明显的偏见，强调需要考虑健康数据集中不同人口组的足够代表。
translated by 谷歌翻译
卷积神经网络（CNN）越来越多地用于自动化磁共振（MR）图像中脑结构的分割，以进行研究。在其他应用中，CNN模型在训练集中的代表性不足时已显示出对某些人口组的偏见。在这项工作中，我们研究了CNN大脑MR分割模型是否有可能在接受不平衡训练集训练时遏制性别或种族偏见。我们使用白人受试者中不同水平的性不平衡训练快速冲浪模型的多个实例。我们分别评估白人男性和白人女性测试集以评估性别偏见的性能，并在黑人男性和黑人女性测试套装上评估它们，以评估潜在的种族偏见。我们发现分割模型性能中的重大性别和种族偏见效应。这些偏见具有很强的空间成分，一些大脑区域表现出比其他大脑更强的偏见。总体而言，我们的结果表明，种族偏见比性偏见更为重要。我们的研究表明，在为基于CNN的大脑MR分割的训练集时考虑种族和性别平衡的重要性，以避免通过有偏见的研究研究结果来维持甚至加剧现有的健康不平等。
translated by 谷歌翻译
在许多低到中型收入（LMIC）国家中，超声用于评估胸腔积液。通常，积液的程度是由超声检查员手动测量的，导致明显的内部/观察者间变异性。在这项工作中，我们研究了深度学习（DL）以自动化超声图像中胸腔积液分割的过程。在在LMIC设置中获得的两个数据集上，我们使用NNU-NET DL模型获得了中位骰子相似性系数（DSC）为0.82和0.74。我们还研究了DL模型中坐标卷积的使用，发现这会导致第一个数据集的中间DSC在0.85上的统计学显着改善，而第二个数据集则没有显着更改。这项工作首次展示了DL在LMIC环境中超声评估的过程中自动化的潜力，在LMIC环境中，通常缺乏经验丰富的放射科医生来执行此类任务。
translated by 谷歌翻译
简介：人工智能（AI）有可能促进CMR分析以进行生物标志物提取的自动化。但是，大多数AI算法都经过特定输入域（例如单扫描仪供应商或医院量化成像协议）的培训，并且当从其他输入域中应用于CMR数据时，缺乏最佳性能的鲁棒性。方法：我们提出的框架包括一种基于AI的算法，用于对短轴图像的双脑室分割，然后进行分析后质量控制，以检测错误的结果。分割算法在来自两家NHS医院（n = 2793）的大型临床CMR扫描数据集上进行了培训，并在此数据集（n = 441）和五个外部数据集（n = 6808）上进行了验证。验证数据包括使用所有主要供应商的CMR扫描仪在12个不同中心获得的一系列疾病的患者的CMR扫描。结果：我们的方法产生的中位骰子得分超过87％，转化为观察者间变异范围内心脏生物标志物中的中值绝对错误：<8.4ml（左心室），<9.2ml（右心室），<13.3G（左心室），<13.3G（左心室所有数据集的心室质量），<5.9％（射血分数）。根据心脏疾病和扫描仪供应商的表型的病例分层显示出良好的一致性。结论：我们表明，我们提出的工具结合了在大规模多域CMR数据集中训练的最先进的AI算法和分析后质量控制，使我们能够从多个中心，供应商和心脏病。这是AI算法临床翻译的基本步骤。此外，我们的方法以无需额外的计算成本而产生一系列心脏功能（填充和弹出率，区域壁运动和应变）的附加生物标志物。
translated by 谷歌翻译
左心室（LV）功能是心脏病患者的患者管理，结局和长期存活方面的重要因素。最近发表的心力衰竭临床指南认识到，仅依赖一种心脏功能（LV射血分数）作为诊断和治疗分层生物标志物的依赖是次优。基于AI的超声心动图分析的最新进展已在LV体积和LV射血分数的自动估计上显示出良好的结果。但是，从随时间变化的2D超声心动图摄取，可以通过从完整的心脏周期中估算功能性生物标志物来获得对心脏功能的更丰富的描述。在这项工作中，我们首次提出了一种基于全心脏周期分割的2D超声心动图的AI方法，用于从2D超声心动图中得出高级生物标志物。这些生物标志物将允许临床医生获得健康和疾病中心脏的丰富图片。 AI模型基于“ NN-UNET”框架，并使用四个不同的数据库进行了训练和测试。结果表明，手动分析和自动分析之间的一致性很高，并展示了晚期收缩期和舒张期生物标志物在患者分层中的潜力。最后，对于50例病例的子集，我们在超声心动图和CMR的临床生物标志物之间进行了相关分析，我们在两种方式之间表现出了极好的一致性。
translated by 谷歌翻译
设计具有高产和强可靠性的制造工艺依赖于罕见事件估计的有效方法。族记重要性分裂通过迭代选择和复制朝向罕见事件的实现来降低罕见事件概率估计的变化。当应用于需要修改后代实现的初始条件的确定性系统时，复制步骤很难。通常，将随机扰动应用于后代，以将它们的轨迹与父阶层分化。然而，这种随机扰动策略可能对某些系统有效，同时失败，防止概率估计的差异降低。该工作旨在使用诸如生成的对冲网络（GaN）的生成模型来解决这种限制，以产生与动态系统的吸引子一致的扰动。提出的GaN辅助重要性分裂方法（Ganisp）改善了所针对性的系统的方差减少。该方法的实现是在伴侣存储库中（https://github.com/nrel/ganisp）中的。
translated by 谷歌翻译
许多工程问题需要预测实现实现变异性或建模量的精致描述。在这种情况下，有必要采用未知高维空间的元素，其中可能具有数百万自由度。虽然存在能够具有具有已知形状的概率密度函数（PDF）的方法的方法，但是当分布未知时需要进行若干近似。在本文中，基础分布的采样方法以及底层分布的推动都是用一种称为生成对抗网络（GaN）的数据驱动方法，该方法列举了两个竞争的神经网络来生产可以有效地产生样本的网络从训练集分发。在实践中，通常需要从条件分布中绘制样品。当条件变量是连续的时，可以仅可用对应于调节变量的特定值的一个（如果有）数据点，这不足以估计条件分布。使用PDF的条件时刻的先验估计，处理此问题。这里比较两种方法，随机估计和外部神经网络，用于计算这些时刻;但是，可以使用任何优选的方法。在过滤的湍流流场的解构的情况下，证明了算法。结果表明，与最先进的方法相比，所提出的算法的所有版本有效地对目标条件分布进行了最小的影响，对样品的质量的影响最小。另外，该过程可以用作由连续变量的条件GaN（CGAN）产生的样本的分集的度量。
translated by 谷歌翻译
心脏磁共振（CMR）图像的多类分割，将数据分离为具有已知结构和构型的解剖组分。最流行的基于CNN的方法是使用像素明智的损失函数优化的，对表征解剖结构的空间扩展特征一无所知。因此，尽管与地面真理共享高空间重叠，但推断的基于CNN的分割可能缺乏连贯性，包括伪造的连接组件，孔和空隙。这样的结果令人难以置信，违反了预期的解剖拓扑。作为响应，已经提出了基于持续的同源性损失功能（单级）以捕获全局解剖特征。我们的工作将这些方法扩展到多级分割任务。我们的损失功能构建了所有类标签和类标签对的丰富拓扑描述，我们使用基于CNN的后处理框架可以预测和统计学上的分割拓扑改进。我们还基于立方复合物和并行执行，提出（并提供）高效的实现，这是第一次在高分辨率3D数据中实现实际应用。我们证明了我们在2D短轴和3D全心CMR细分方面的方法，对两个公开可用数据集的性能进行了详细而忠实的分析。
translated by 谷歌翻译