Utilizing Weighted Spatio-Temporal Information for Automated Transthoracic Echocardiography View Classification
Notice bibliographique
Résumé
Transthoracic echocardiography (TTE) is a critical imaging modality for assessing cardiac function and diagnosing cardiomyopathies. These videos, captured from various heart angles, must be accurately categorized for comprehensive diagnosis, making automated view classification essential. This study develops and evaluates multiple model architectures and feature fusion techniques to classify eleven standard TTE views from video input. We examine both spatial and temporal feature extraction approaches alongside a Dynamic Feature Fusion technique (DFF) that adaptively balances the importance of either feature in analyzing TTE studies. Our results highlight the superior performance of a model architecture utilizing an EfficientNet and Dilated Convolutional Networks, achieving a micro F1 Score of 0.951. Additionally, we leverage a custom cycle detector algorithm to partition a TTE sequence into individual cardiac cycles, i.e., heartbeats, providing consistent input for model training and enabling an ensemble technique for a more reliable prediction. Our findings present valuable insights into effective TTE analysis, identifying the most effective model architecture for echocardiogram interpretation and advancing clinical workflows.Clinical RelevanceThis approach improves echocardiogram view classification, aiding clinicians by streamlining work-flows and reducing errors. The method can also be applied to broader TTE data analysis tasks, such as disease classification, while offering insights into interpretable spatial and temporal patterns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».