CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning
作者: Hanae Elmekki, Ahmed Alagha, Hani Sami, Amanda Spilkin, Antonela Mariel Zanuttini, Ehsan Zakeri, Jamal Bentahar, Lyes Kadem, Wen-Fang Xie, Philippe Pibarot, Rabeb Mizouni, Hadi Otrok, Shakti Singh, Azzam Mourad
发布时间: 2025-03-10
来源: arxiv
研究方向: 心血管超声图像的自动评估与分类
主要内容
该研究旨在通过深度学习技术自动评估和分类心血管超声图像，以提高医疗诊断的效率和准确性。
主要贡献
1. 构建了首个公开的、分级的心血管超声图像数据集（CACTUS），包含多种心脏视图和不同质量级别的图像。
2. 提出了一种基于深度学习框架，使用迁移学习技术将分类模型的知识迁移到评估模型，以实现图像分类和分级。
3. 在分类和分级任务中取得了高准确率，分类准确率达到99.43%，分级误差率为0.3067。
4. 通过问卷调查评估了框架在实际扫描中的应用性能，获得了专家的积极反馈。
研究方法
1. 深度学习（DL）
2. 迁移学习（TL）
3. 卷积神经网络（CNN）
4. ResNet18架构
5. 图像预处理技术
6. 性能评估指标：准确率、F1分数、精确率、召回率、混淆矩阵、损失值
实验结果
实验结果表明，该框架在分类和分级任务中均取得了良好的性能，特别是在分级任务中，迁移学习技术显著提高了模型的性能。
未来工作
未来将扩展数据集，包括更多种类的心脏解剖结构，并将该方法应用于动态人体心脏扫描的实时分析。此外，还将研究如何提高迁移学习技术的效率，并解决领域迁移问题。