ty -jour a2-歌曲，tao au -Zhang，Qinglu au -liu -yuanqin au -mi -mi，jia au -wang -wang，xing au -liu -liu -xia au -xhao -zhao，fenfen au -xie，xie，cuihuan au -cui -cui -cui -cui au -cui au-- cui au au-- peipei au--Zhang，Zhang，Qingling au -Zhu，Xiangming PY -2021 DA -2021/09/13 Ti-使用Mask R -CNN算法自动评估二尖瓣反流严重程度，带有颜色多普勒回声图像SP -2602688 VL -20221 AB-精确评估反流（MR）严重程度在临床诊断和治疗中至关重要。迄今为止，尚未建议使用单个超声心动图方法进行MR定量。我们试图使用Color Doppler超声心动图映像对MR的自动评估自动评估中卷积神经网络（Mask R-CNN）算法来定义掩模区域的可行性和准确性。根据2017年美国超声心动图学会（ASE）指南：I（温和），II级（中度），作者从医院收集了1132例MR和295例MR病例，并将其分为以下四种类型。，III级（中度）和IV级（严重）。II级和III级都是中等的。使用标签软件进行图像标记后，使用基于深度学习（DL）的掩模R-CNN算法的方法来评估MR严重性。我们使用医院A的数据来构建人工智能（AI）模型并进行内部验证，并使用了医院B的数据进行外部验证。根据严重程度，轻度，中度和重度MR的分类准确性分别为0.90、0.89和0.91。 The Macro F1 and Micro F1 coefficients were 0.91 and 0.92, respectively. According to grading, the accuracy of classification was 0.90, 0.87, 0.81, and 0.91 for grade I, grade II, grade III, and grade IV, respectively. The Macro F1 and Micro F1 coefficients were 0.89 and 0.89, respectively. Automatic assessment of MR severity is feasible with the Mask R-CNN algorithm and color Doppler electrocardiography images collected in accordance with the 2017 ASE guidelines, and the model demonstrates reasonable performance and provides reliable qualitative results for MR severity. SN - 1748-670X UR - https://doi.org/10.1155/2021/2602688 DO - 10.1155/2021/2602688 JF - Computational and Mathematical Methods in Medicine PB - Hindawi KW - ER -