XiaoMi-AI文件搜索系统
World File Search SystemEchocardiography
通过深度学习应用于超声心动图
1电气和计算机工程系，德克萨斯大学奥斯汀，美国德克萨斯州奥斯汀； 2耶鲁大学医学院内科医学系心血管医学部，美国纽黑文市锡达街333号，美国康涅狄格州06520-8056； 3美国德克萨斯州大学车站，得克萨斯农工大学计算机科学与工程系； 4美国康涅狄格州纽黑文教堂5楼195 Church St 5楼的耶鲁 - 新避风港医院研究与评估中心； 5耶鲁大学医学院生物医学信息学和数据科学部分，美国康涅狄格州纽黑文； 6美国加利福尼亚州旧金山旧金山大学医学系； 7美国加利福尼亚州旧金山旧金山退伍军人事务中心心脏病学系； 8美国加利福尼亚州洛杉矶锡奈医学中心Smidt Heart Institute心脏病学系； 9美国加利福尼亚州洛杉矶的Cedars-Sinai Medical Center的医学人工智能司； 10美国康涅狄格州纽黑文市耶鲁大学公共卫生学院卫生政策与管理部；和11耶鲁大学公共卫生学院生物统计学系的健康信息学部分，美国康涅狄格州纽黑文市街60号1电气和计算机工程系，德克萨斯大学奥斯汀，美国德克萨斯州奥斯汀； 2耶鲁大学医学院内科医学系心血管医学部，美国纽黑文市锡达街333号，美国康涅狄格州06520-8056； 3美国德克萨斯州大学车站，得克萨斯农工大学计算机科学与工程系； 4美国康涅狄格州纽黑文教堂5楼195 Church St 5楼的耶鲁 - 新避风港医院研究与评估中心； 5耶鲁大学医学院生物医学信息学和数据科学部分，美国康涅狄格州纽黑文； 6美国加利福尼亚州旧金山旧金山大学医学系； 7美国加利福尼亚州旧金山旧金山退伍军人事务中心心脏病学系； 8美国加利福尼亚州洛杉矶锡奈医学中心Smidt Heart Institute心脏病学系； 9美国加利福尼亚州洛杉矶的Cedars-Sinai Medical Center的医学人工智能司； 10美国康涅狄格州纽黑文市耶鲁大学公共卫生学院卫生政策与管理部；和11耶鲁大学公共卫生学院生物统计学系的健康信息学部分，美国康涅狄格州纽黑文市街60号
超声心动图在评估糖尿病患者心血管疾病中的作用
糖尿病患者高度易受心血管并发症，这与心血管发病率和死亡率直接相关。除了冠状动脉疾病外，糖尿病患者心力衰竭（HF）的风险和患病率的认识越来越大。超声心动图是一种必不可少的诊断方式，通常在患有症状的症状中表现为心血管疾病（CVD），例如呼吸困难或胸痛，以确立或排除症状原因。常规超声心动图参数，例如左心室射血分数，不仅有助于诊断CVD，还有助于确定严重程度，治疗策略，预后和对治疗的反应。超声心脏心肌菌株是一种新型的超声心动图技术，可以在HF症状发生之前检测到心室功能障碍的早期变化。本文旨在回顾超声心动图在评估糖尿病患者中CVD中的作用，以及如何在可疑心脏病患者中使用它。
美国超声心动图学会和胎儿超声心动图表现标准
引言f etal超声心动图是人类胎儿心血管系统的超声评估。一般的产科超声已成为妊娠护理的标准部分，通常用于确定胎儿年龄，大小，性别或福祉以及检测先天性异常。多种母体或胎儿疾病可能导致胎儿心血管系统异常，要求在超过该水平的水平上进行评估，并以标准的产前产科超声来实现。在这些情况下，应形成胎儿超声心动图。在医生中提高了运营商的技能，结合了当今超声系统的敏感性，从而提高了对胎儿心血管异常的检测，并增加了对更详细评估的胎儿心血管异常的检测，并提高了对胎儿心血管异常的检测和增加的要求。先天性心脏病是人类最常见的先天性异常。1随着先天异常的检测率不断增加，对胎儿超声心动图的需求已增长。通过胎儿超声心动图准确地诊断先天性心脏不适可提供许多主体。它允许在产前和产后状态之间平稳过渡，并有机会在出生时立即提供护理，从而避免了血液动力学妥协的开始。最近的
通过 R3D Transformer 实现超声心动图矢量嵌入，推动自动超声心动图的发展
我们的模型性能接近为相同 EF 分类问题开发的当前 SOTA（最先进）分类器，这突显了其质量。例如，我们的准确率高于最新模型，同时与最佳 SOTA 准确率相差 5 分以内。我们的 AUC 也高于最新模型，与最佳 SOTA AUC 相差 6 分以内。a R3D Transformer，ResNet18 主干。b 未公开的算法。c 具有空洞卷积的 3D 卷积神经网络。d GSM，Inception 主干，32 帧超声心动图。e 移动 U-Net。
补充表S1
人工智能（AI）在包括诊断成像在内的各个医学领域显示了变革潜力。AI驱动技术的最新进展已为改善现代二聚体实践开辟了新的途径。AI算法增强了图像质量，自动化测量，并有助于心血管疾病的影响。这些技术减少了手动错误，提高一致性并匹配经验丰富的超声心动图学家的诊断性能。tele-charcartiography的AI提供了重大的好处，尤其是在日本的农村和偏远地区，医疗保健提供者的短缺和地理隔离阻碍了对先进的医疗服务的访问。AI可增强可访问性，提供实时远程分析，支持连续监视并提高远程交付的Car-Diac Care的质量和效率。但是，应对与数据安全性，透明度，临床工作中的集成以及道德考虑有关的挑战对于成功实施超声心动图中的AI至关重要。在克服这些挑战时，AI将能够彻底改变超声心动图，并确保将来所有患者及时有效地心脏保健。
胎儿超声心动图表现的指南和建议：美国超声心动图学会的更新
来自加利福尼亚大学旧金山，加利福尼亚州旧金山大学（A.J.M.-G.，S.P。）;华盛顿儿童国家医院，哥伦比亚特区（M.T.D.）;密歇根大学，密歇根州安阿伯（S.G.）；艾伯塔大学，加拿大艾伯塔省埃德蒙顿（L.H.）;佐治亚州亚特兰大亚特兰大儿童医疗保健（J.K。）；贝勒医学院，德克萨斯州休斯敦（W.L.，S.A.M.）;埃默里大学/佐治亚州亚特兰大亚特兰大的儿童医疗保健（E.M.）；德克萨斯州休斯敦的德克萨斯儿童医院（S.A.M.）;犹他州犹他州犹他州大学（N.M.P.）;加利福尼亚州洛杉矶的洛杉矶儿童医院（J.P.）；杜克大学，北卡罗来纳州达勒姆（N.S.）;英国伦敦的埃维利娜·伦敦儿童医院（J.S.）;杜邦/尼莫斯儿童医院，特拉华州威尔明顿（S.S。）；宾夕法尼亚州费城费城儿童医院（Z.T.）。
通过超声心动图测量的心脏微观结构改变确定性别特定的心力衰竭风险
抽象目标建立的心力衰竭（HF）风险的临床前成像评估基于宏观结构心脏重塑。鉴于微观结构改变也可能影响HF风险，尤其是在女性中，我们检查了微观结构改变与事件HF之间的关联。我们研究了n = 2511名成年参与者（平均年龄65.7±8.8岁，56％的女性），他们在基线时没有心血管疾病。，我们基于高频谱信号强度系数（HS-SIC）对超声心动图的纹理分析来量化微结构变化。我们检查了其与性行为和性别特定的COX模型的关系，这些模型涉及传统的HF风险因素和宏观结构的改变。结果我们观察到94个新的HF事件在7。4±1.7岁以上。HS-SIC较高的个体患有HF的风险增加（HS-SIC中的HR 1.67，95％CI 1.31至2.13； P <0.0001）。调整年龄和降压药的使用，这种关联在女性中很重要（p = 0.02），但没有男性（p = 0.78）。调整传统危险因素（包括体重指数，总/高密度脂蛋白胆固醇，血压特征，糖尿病和吸烟）减弱了女性的关联（HR 1.30，P = 0.07），并在这些风险因素的主要方面看到HS-SIC的HF风险中介。然而，除了这些危险因素外，调整了相对壁厚（代表宏观结构改变）后，女性中与HF的HF与HF的关联（HR 1.47，p = 0.02）仍然显着。结论心脏微结构改变与HF的风险升高有关，尤其是在女性中。微观结构改变可能会识别个人从风险因素到临床HF的发展的性别途径。
使用深度神经网络对经食管超声心动图图像中的左心室进行分割
胸外按压是心肺复苏 (CPR) 期间促进全身循环的主要手段。最佳胸外按压可使心脏骤停患者获得良好的复苏效果。尽管最近的 CPR 指南建议使用实时反馈设备来在复苏期间维持高质量的 CPR，但它很少与良好的复苏效果相关[1-3]。原因之一可能是未监测胸外按压的位置。先前基于胸部计算机断层扫描的研究还发现，目前建议的胸外按压位置太高，无法有效压迫左心室 (LV) [4,5]。经食道超声心动图 (TEE) 被认为是一种很好的方法，可用于识别心脏骤停的可纠正原因以及监测 CPR 质量和位置[6-8]。它还可以在复苏期间不中断胸外按压的情况下识别受外胸按压的心脏结构[9]。因此，我们可以从心脏骤停患者 TEE 图像中评估胸外按压的准确位置和外部胸外按压产生的收缩功能。这可能验证 CPR 期间促进左心室收缩功能的最佳胸外按压方法[10-12]。分割左心室对于确定胸外按压的位置和获得心脏功能定量评估指标（如舒张末期容积、收缩末期容积、面积和射血分数）是必不可少的。人们进行了许多尝试来分割左心室。Noble 等[13]基于轮廓跟踪方法，采用了基于卡尔曼滤波器的心外膜和心内膜边界跟踪系统。Bosch 等[14]将边界检测的主动外观模型改进为主动外观运动模型，可实现全自动、强大且连续的左心室检测。大多数心脏图像，如超声波图像和核磁共振成像（MRI），都有模糊的边界和严重的噪声；因此，分析这些图像需要时间，而且结果可能因人而异。人工神经网络已被提出，因为它们提供了很高的分析精度，并使医学图像的泛化成为可能[15，16]。Smistad 等人[17]建议使用 U-Net [18] 的深度卷积神经网络进行 LV 分割模型，它由一个编码器-解码器组成，在生物医学图像中显示出鲁棒的分割模型。然而，U-Net 并没有考虑所有语义特征在解码过程中的贡献。因此，Moradi 等人[19]开发了一种改进的 U-Net，称为多特征金字塔 U-Net，其中通过在 U-Net 解码器路径的所有级别上链接特征图来补充特征。然而，现有的方法有一个局限性，即它们无法识别阴影和 LV 之间的模糊边界。此外，由于胸外按压，CPR 期间获取的 TEE 图像比正常超声心动图噪声更大。我们通过应用残差特征聚合方法和各种注意技术开发了基于 U-Net 的网络。我们的模型不仅展示了使用挤压和激励块以及残差块的强大特征提取技术，而且还关注更重要的特征。工作流程如图 1 所示。下一节描述了数据组织、深度学习的数据增强技术以及我们模型的结构。
新技术的安全性和可行性，在Mitraclip干预过程中超声心动图和荧光镜检查图像
方法和结果：在Echonavigator软件（EN+患者）的支持下对21名患者进行了治疗。主要（安全）终点是总辐射剂量。次要终点是荧光镜检查和总过程时间。将测量结果与在安装回声器（ECHONAVIGATOR（EN-ETANTE）安装之前接受治疗的21例患者的测量值进行了比较。将更多的mitraclip（45 vs. 36）植入了EN+组中，反映了该组中更复杂的干预措施。在EN+患者中，辐射剂量（GY/CM 2）与EN患者相似（146.5±123.6 vs.146.8±134.1，p = 0.9）。与EN+患者相比，EN+组的总程序时间（分钟）相似（136.2±50.2 vs. 125.7±51.2，p = 0.5）。回声器的主要好处是超声心动图和荧光镜检查的实时融合，导致EAS IER导管操纵。
超声心动图和心脏pocus（护理点启动）的人工智能期间，在19 covid-19大流行中：新范式？
超声心动图和心脏点启动（POCUS）已成为与COVID-19相关的几种心血管并发症的诊断和管理中的宝贵工具。这些诊断程序为医生提供了心脏解剖结构和功能的实时可视化，从而使它们能够快速，准确地识别由于病毒感染而可能出现的异常。COVID-19的大流行引发了全球临床实践的重大变化，要求现代医学采用新的医疗保健方法，新技术和临床工具的使用。时间限制和医师的安全问题在初步评估Covid-19引起的心血管并发症中固有的固有的问题已经为全球医疗保健专业人员面临着巨大的挑战。人工智能（AI）的出现一直是一种改变游戏的医学工具，因为它是一种强大的资产，扩大了现代临床医生的武器库，并帮助他们提高了临床评估的准确性和安全性。在这篇综述中，我们对超声心动图和心脏pocus的不同基于AI的分析进行了审查，这是用于诊断与Covid-19相关的心血管并发症的关键工具。许多医院已广泛使用AI来改善患者护理，并确保大流行中的医师安全，这强调了人工智能在全面的医疗保健提供中的关键作用。