Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the MedImaging website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Sistema de diagnóstico analiza automáticamente imágenes ETT para identificar enfermedades cardíacas congénitas

Por el equipo editorial de MedImaging en español
Actualizado el 05 Jun 2024
Print article
Imagen: Figuras de CAM de imágenes de prueba (foto cortesía de SPJ; doi: 10.34133/investigación.0319)
Imagen: Figuras de CAM de imágenes de prueba (foto cortesía de SPJ; doi: 10.34133/investigación.0319)

La cardiopatía congénita (CC) es una de las anomalías congénitas más prevalentes en todo el mundo y presenta importantes desafíos financieros y de salud para los pacientes afectados. La detección y el tratamiento tempranos de la enfermedad coronaria pueden mejorar en gran medida el pronóstico y la calidad de vida de los niños. Sin embargo, los ecografistas inexpertos a menudo tienen dificultades para identificar con precisión la enfermedad coronaria mediante imágenes de ecocardiograma transtorácico (ETT). Por lo tanto, existe una necesidad apremiante de un sistema auxiliar de detección de enfermedades del corazón que permita a los ecografistas y médicos generales sin experiencia realizar evaluaciones de ETT de una manera simple y fácil de usar, mejorando así la tasa y el alcance de la detección de enfermedades del corazón.

Un nuevo sistema de detección de enfermedades coronarias desarrollado conjuntamente por investigadores de la Universidad Médica de Anhui (Anhui, China) para identificar las imágenes cardíacas ETT integra información de varias vistas y modalidades, visualiza la región de alto riesgo y predice la probabilidad de que el sujeto sea normal o tenga comunicación interauricular (CIA) o comunicación interventricular (CIV). Esto se logró mediante el desarrollo de una estructura de red jerárquica. Inicialmente, el modelo reconoce las dos modalidades utilizadas en ETT (2D y Doppler) e identifica las vistas cardíacas, que incluyen la vista apical de cuatro cámaras (A4C), la vista subxifoidea de eje largo (SXLAX) de las dos aurículas, la vista paraesternal de eje largo (PSLAX) del ventrículo izquierdo, la vista paraesternal de eje corto (PSSAX) de la aorta y la vista supraesternal de eje largo (SSLAX). Luego procesa las características para cada vista y cada modalidad utilizando la red troncal ResNet50.

Siguiendo el módulo de incorporación de características básicas, el modelo fusionó los datos de las cinco vistas y posteriormente fusionó la información derivada de los dos TTE modales. Luego, el clasificador generó las predicciones finales para cada sujeto y se creó una visualización de las regiones de alto riesgo para cada niño utilizando la estrategia Grad-CAM. Después de completar el examen ETT, el sistema auxiliar de diagnóstico de cardiopatía coronaria analizó automáticamente las imágenes ETT y evaluó la probabilidad de que el sujeto fuera normal o tuviera CIA o CIV. El equipo de investigación demostró que el modelo identificó eficazmente a niños con enfermedad coronaria mediante la integración de múltiples vistas y modalidades de ETT. Los hallazgos indican que este modelo podría ayudar significativamente a ampliar la detección de enfermedades coronarias y distinguir con precisión entre diferentes subtipos de enfermedades coronarias en niños.

Enlaces relacionados:
Universidad Médica de Anhui

Miembro Oro
Solid State Kv/Dose Multi-Sensor
AGMS-DM+
New
Full Field Digital Mammography Phantom
Mammo FFDM Phantom
FMT Radiographic Suite
AdvantagePlus ML1
Compact C-Arm
Arcovis DRF-C S21

Print article
Radcal

Canales

RM

ver canal
Imagen: Las vías del cerebro destacadas son las más afectadas por una conmoción cerebral (foto cortesía de Benjamin Hacker, et al)

Modelo de IA diagnostica lesiones cerebrales traumáticas a partir de resonancias magnéticas con un 99 % de precisión

Una conmoción cerebral es un tipo de lesión cerebral traumática que puede provocar alteraciones temporales en la función cerebral. Ocurren debido a incidentes como lesiones... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más

Industria

ver canal
Imagen: Calantic Digital Solutions  es una suite coordinada de soluciones de radiología basadas en IA que tiene como objetivo transformar la radiología (Foto cortesía de Bayer)

Bayer y Rad AI colaboran para expandir el uso de soluciones operativas de radiología de vanguardia basadas en IA

Los datos de imagen constituyen aproximadamente el 90 % de todos los datos médicos, y el volumen de estos datos sigue aumentando, lo que incrementa significativamente la carga de trabajo para los... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.