一种新型语义网络分析模型对室间隔完整型肺动脉闭锁和危重肺动脉瓣狭窄胎儿右心发育不良程度的评价作用

罗刚; 泮思林; 孙玲玉; 李志新; 陈涛涛; 乔思波; 庞善臣

doi:10.3877/cma.j.issn.1672-6448.2024.04.005

中华医学超声杂志（电子版） >

2024 , Vol. 21 >Issue 04: 377 - 383

DOI: https://doi.org/10.3877/cma.j.issn.1672-6448.2024.04.005

妇产科超声影像学

一种新型语义网络分析模型对室间隔完整型肺动脉闭锁和危重肺动脉瓣狭窄胎儿右心发育不良程度的评价作用

罗刚 ¹ ,
泮思林 ^,¹^,^† ,
孙玲玉 ² ,
李志新 ¹ ,
陈涛涛 ² ,
乔思波 ³ ,
庞善臣 ³

展开

^1.266034　青岛大学附属妇女儿童医院心脏中心
^2.266034　青岛大学附属妇女儿童医院超声科
^3.266580　青岛，中国石油大学（华东）计算机科学与技术学院

通信作者：泮思林，Email：silinpan@126.com

Copy editor: 汪荣

收稿日期: 2023-09-28

网络出版日期: 2024-06-13

基金资助

国家自然科学基金(82271725)

泰山学者工程资助(2018)

版权

未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计，除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。本刊为电子期刊，以网刊形式出版。

收起

Classification of right ventricular hypoplasia in fetuses diagnosed with pulmonary atresia with an intact ventricular septum or critical pulmonary stenosis via a new semantic parsing network model

Gang Luo ¹ ,
Silin Pan ^,¹^,^† ,
Lingyu Sun ² ,
Zhixin Li ¹ ,
Taotao Chen ² ,
Sibo Qiao ³ ,
Shanchen Pang ³

Expand

^1.Heart Center, Women and Children's Hospital, Qingdao University, Qingdao 266034, China
^2.Department of Ultrasonography, Women and Children's Hospital, Qingdao University, Qingdao 266034, China
^3.School of Computer Science and Technology, China University of Petroleum, Qingdao 266580, China

Corresponding author: Pan Silin, Email: silinpan@126.com

Received date: 2023-09-28

Online published: 2024-06-13

Copyright

No content published by the journals of Chinese Medical Association may be reproduced or abridged without authorization. Please do not use or copy the layout and design of the journals without permission.

All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.

Fold

摘要

目的

分析评价一种新型语义网络分析模型SPReCHD：残差学习诊断系统模块（RLDS）和双路径链式多尺度门控轴心变压器网络模块（DPC-MSGATNet），在室间隔完整型肺动脉闭锁（PA/IVS）和危重肺动脉瓣狭窄（CPS）胎儿超声心动图四腔心视图数据集中评估右心发育不良程度分级的性能。

方法

回顾性收集2017年6月至2022年12月青岛大学附属妇女儿童医院350例24~28周胎龄的PA/IVS和CPS胎儿的1650张单幅超声心动图四腔心视图建立实验数据集。根据右心发育不良程度对建立的SPReCHD模型进行训练、验证和测试，评估模型精确度、召回率及F1值等性能指标；与高级医师基于超声指标、右心室形态及出生结局等多维度信息对测试集做出的评估结果进行比较，采用Kappa检验观察评估的一致性。

结果

SPReCHD模型在训练集、验证集及测试集对右心发育不良程度分级评估的精确度分别为93.82%、94.34%和94.68%，召回率分别为90.54%、91.38%和90.89%，F1值分别为92.10%、92.82%和92.67%。在测试集中，SPReCHD模型与高级儿童心血管医师评估结果一致性良好（Kappa值=0.724，P<0.001）。

结论

SPReCHD模型在训练集、验证集及测试集对右心发育不良程度分级的评估性能优异。该模型对PA/IVS和CPS胎儿右心发育不良程度分级评估水平与高级医师评估结果一致性好，为进一步提出精准评估标准奠定基础。

关键词： 深度学习; 室间隔完整型肺动脉闭锁; 危重度肺动脉瓣狭窄; 右心发育不良; 超声心动图; 胎儿; 人工智能

本文引用格式

罗刚 , 泮思林 , 孙玲玉 , 李志新 , 陈涛涛 , 乔思波 , 庞善臣 . 一种新型语义网络分析模型对室间隔完整型肺动脉闭锁和危重肺动脉瓣狭窄胎儿右心发育不良程度的评价作用[J]. 中华医学超声杂志（电子版）, 2024 , 21(04) : 377 -383 . DOI: 10.3877/cma.j.issn.1672-6448.2024.04.005

Abstract

Objective

To evaluate the performance of a new semantic parsing network (SPReCHD model: the multi-level residual mixed attention mechanism module [RLDS] and the dual path chain multi-scale gated axial transformer network module [DPC-MSGATNet]) in assessing the degree of right ventricular hypoplasia in fetuses with pulmonary atresia with intact ventricular septum (PA/IVS) or critical pulmonary stenosis (CPS) via fetal echocardiography four-chamber views.

Methods

This study retrospectively collected 1650 single-frame four-chamber views of 350 PA/IVS and CPS fetuses at 24 to 28 weeks gestation at Women and Children's Hospital, Qingdao University between June 2017 to December 2022 to establish an experimental dataset. The established SPReCHD model was trained, validated, and tested to grade right heart hypoplasia, with an evaluation of model accuracy, recall rate, and F1 score. The evaluation results of the SPReCHD model and senior physicians in the test set were compared based on multi-dimensional information such as ultrasound indicators and right ventricular morphology. Kappa test was used to observe the consistency of the evaluation results.

Results

The SPReCHD model showed a precision of 93.82%, 94.34%, and 94.68%, recall rate of 90.54% , 91.38%, and 90.89%, and F1 score of 92.10%, 92.82%, and 92.67% in the training, validation, and test sets for evaluating the degree of right ventricular hypoplasia, respectively. In the test set, there was good consistency between the evaluation results of senior physicians and the SPReCHD model (Kappa=0.724, P<0.001).

Conclusion

The SPReCHD model has excellent performance in evaluating the degree of right ventricular hypoplasia in the training, validation, and test sets, achieving the expected level of research and development. There is a high level of concordance between the evaluation results for fetal right ventricular dysplasia by the model and senior physicians in fetuses with PA/IVS and CPS, thus laying a foundation for proposing precise evaluation standards.

Key words： Deep learning; Pulmonary atresia with an intact ventricular septum; Critical pulmonary stenosis; Right ventricular dysplasia; Echocardiography; Fetuses; Artificial intelligence

室间隔完整型肺动脉闭锁（pulmonary atresia with intact ventricular septum，PA/IVS）和危重肺动脉瓣狭窄（critical pulmonary stenosis，CPS）占儿童先天性心脏病的1%~3%，占胎儿先天性心脏病的5%。在临床诊疗，尤其是产前筛查中并非罕见。这类严重先天性心脏病多合并不同程度的右心系统发育不良，包括右心室和三尖瓣，发育过程中个体差异显著^［1］。右心发育不良的程度决定了患儿治疗时机和治疗方式的选择，最终远期预后也取决于此^［2］。此类疾病生后右心发育不良程度评估最常用的是三尖瓣瓣环Z值，轻、中度发育不良生后经外科手术治疗可实现双心室循环，重度发育不良者仅维持单心室循环，预后较差。目前此类疾病胎儿期右心发育不良程度评估缺乏可靠且权威的方法，可借助超声心动图实现动态监测。国外学者基于胎儿生后的单心室结局，结合胎儿超声心动图测量指标，提出了生后单心室的预测标准，也是胎儿肺动脉瓣扩张成形术（fetal pulmonary valvuloplasty，FPV）的手术参考指征^［3,4,5］。但该标准纳入的超声评价指标较为简单，超声操作过程耗时费力，测量和评估结果依赖医师经验，具有一定主观性，难免存在误差^［6］。胎儿处于不断发育的阶段，不同胎龄测量结果的一致性或序贯性欠佳，也会增加胎儿期精准评价的难度。

深度学习技术可用于提取胎儿超声心动图测量值或诊断心脏异常，具有检测时间少和学习曲线短的优点，显示出良好的应用前景^［7］。深度学习技术可将图像中重要的解剖结构自动地分割出来，进一步挖掘数据信息，从复杂的数据中学习有益的隐含信息实现心脏结构发育和功能的精准评估，帮助医师准确诊断胎儿的病情。以往研究主要集中在图像识别和心腔分割，针对评估应用的研究较少。本研究团队较早开展深度学习技术在胎儿超声心动图识别领域的应用研究，基于万例级别数据库开发了胎儿超声心动图四腔心切面图像的残差学习诊断系统模块（residual learning diagnosis system，RLDS）和双路径链式多尺度门控轴心变压器网络分割模型（dual-path chain multi-scale gated axial-transformer network，DPC-MSGATNet），进一步建立了新型语义网络分析模型，即胎儿先天性心脏病四腔心语义分析网络（semantic parsing network for recognizing fetal congenital heart disease，SPReCHD），其在胎儿先天性心脏病筛查二分类任务中的诊断精确度达95.92%^［8,9,10］。本研究结合胎儿产前超声资料和生后随访结果等语义信息，首次将SPReCHD模型应用于PA/IVS和CPS胎儿超声心动图，开展右心发育不良程度分级的评估，以期更好解决此类疾病的产前咨询和治疗等关键问题。

资料与方法

一、对象

回顾性选取2017年6月至2022年12月青岛大学附属妇女儿童医院采集的诊断为PA/IVS和CPS的胎儿第24~28周胎龄的超声心动图标准四腔心视图建立实验数据集。每例胎儿常规每周复查胎儿超声心动图1次，每次选取1张标准心室舒张末期的四腔心视图单幅图片。本研究由2名具有10年以上工作经验的超声医师对训练数据集四腔心视图进行标记、注释。根据研究团队建立的SPReCHD模型要求，将四腔心视图图片分辨率调整为224×224像素。本研究经青岛大学附属妇女儿童医院伦理委员会审核批准（批件号：QFELL-KY-2021-22）。

二、方法

（一）右心发育不良程度分级

本研究胎儿右心发育不良程度分为3级：轻度、中度和重度。参考标准如下：（1）基于FPV的超声心动图参考指标，轻度者右心室长径/左心室长径（RV/LV）<1.0、中度者RV/LV<0.8、重度者RV/LV<0.6；（2）结合右心室解剖结构评估，轻度者流入部、流出部及小梁部均存在，中度者右心室小梁部因心肌增厚而闭塞或缺如，而重度者仅有流入部或伴有右心室依赖性冠状动脉循环；（3）本研究还将部分胎儿生后右心功能情况纳入分级标准，轻度者实现双心室矫治，中度者存在体肺分流或动脉导管支架，重度者为实施Glenn术/Fontan术^{［11,12,13,14］}。由2名高级职称的儿童心血管医师独自对每例样本的上述指标进行综合分级评估，经集中讨论确保评估结果一致。根据上述标准对训练数据集进行语义标注，也以此标准衡量SPReCHD模型评估测试集右心发育不良程度分级的性能。

（二）SPReCHD模型应用方法

1.SPReCHD模型的建立：本研究团队自主开发了一种基于深度学习的胎儿先天性心脏智能识别系统SPReCHD，该模型框架基于RLDS和DPC-MSGATNet分别实现对胎儿超声心动图四腔心视图的自动识别和分割，结合Transformer体系自然语言处理分析优势，实现对右心发育不良程度的分级（图1）。在前期研究中，SPReCHD模型对胎儿先天性心脏病二分类的筛查精确度为95.92%，召回率为94%，准确度为95%，F1值为94.95%，优于现有的胎儿先天性心脏病超声识别领域的机器学习模型^［10］。

显示原图|下载原图ZIP|生成PPT

图1 SPReCHD模型框架结构示意图

2.实验配置：本研究采用 Pytorch和NVIDIA Tesla V100 32G运行SPReCHD模型，训练迭代次数设置为500 epochs，批量大小为48，初始学习率为0.0001；采用ReduceLROnPlateau学习率策略来优化模型参数，其中factor设为0.8和patience设为15；使用L2正则化对模型参数进行权重衰减，衰减系数设置为0.000 01。本研究采用标签平滑正则化的交叉熵损失函数训练优化SPReCHD模型参数^［10］。

3.性能评价：本研究采用10折交叉验证法按照8∶1∶1随机分配实验数据集为训练集、验证集和测试集，对SPReCHD模型进行训练和验证。为了确定右心发育不良程度分级效果，本研究采用精确度、召回率和F1值评价测试集SPReCHD模型评估的准确性。由于目前缺乏同类型深度学习模型，无法开展不同模型之间性能的对比研究。因此本研究根据右心发育不良程度分级方法，由高级职称的儿童心血管医师给出综合评估结果，与SPReCHD模型的分析结果进行一致性比较。

三、统计学分析

使用SPSS 26.0软件进行统计分析。采用Kappa检验观察评估的一致性，Kappa值<0.20提示一致性差，0.21~0.40为一致性弱，0.41~0.60为一致性中等，0.61~0.80为一致性良好，0.81~1.00为一致性高。P<0.05表示差异具有统计学意义。

结果

一、实验数据集基本情况

本研究共纳入350例24~28周胎龄、诊断为PA/IVS和CPS的胎儿的超声心动图标准四腔心视图实验数据集1650张。266例胎儿选取5张图片，68例胎儿选取4张图片，16例胎儿选取3张图片。根据本研究右心发育不良分级标准，纳入样本中轻度800张、中度488张及重度362张。随机分配训练集1320张视图，验证集和测试集各165张视图。

二、SPReCHD模型评估性能评价

SPReCHD模型由RLDS和DPC-MSGATNet模块对四腔心视图进行识别和自动分割，自动给出右心发育不良程度分级结果（图2）。

显示原图|下载原图ZIP|生成PPT

图2 SPReCHD模型评估胎儿右心发育不良程度分级示意图。图a~d为重度发育不良；图e~h为中度发育不良；图i~l为轻度发育不良（图a、c、e、g、i、k为胎儿超声心动图四腔心视图；图b、d、f、h、g、l为对应的胎儿心脏四腔心分割结构，分割图像中四个心腔轮廓与超声图像的解剖轮廓高度接近）

本研究实验表明，SPReCHD模型在训练集和验证集上，识别胎儿右心发育不良程度分级的精确度、召回率和F1值趋于稳定，均>0.9，尤其验证集和测试集的精确度均>0.94，达到研发时的最好水平^［10］（表1）。

表1 SPReCHD模型在实验数据集中对胎儿右心发育不良程度分级评估的准确性评价

数据集	精确度	召回率	F1值
训练集（n=1320）	0.9382	0.9054	0.9210
验证集（n=165）	0.9434	0.9138	0.9282
测试集（n=165）	0.9468	0.9089	0.9267

三、SPReCHD模型与医师评估结果一致性分析

SPReCHD模型与医师对测试集165张胎儿四腔心视图右心发育不良程度分级评价结果一致性良好（Kappa值=0.724，P<0.001，表2）。

表2 SPReCHD模型与医师对测试集的评估分析结果

SPReCHD模型评估结果	医师评估结果			合计
SPReCHD模型评估结果	轻度	中度	重度	合计
轻度	97	9	0	106
中度	8	35	3	46
重度	0	3	10	13
合计	105	45	13	165

讨论

本研究评价了新型语义网络分析模型SPReCHD评估胎儿PA/IVS和CPS右心发育不良程度分级的准确性，与高级职称的儿童心血管医师评估结果具有良好一致性。研究证实，SPReCHD模型在PA/IVS和CPS胎儿病情评估中是可行的。PA/IVS是具有高度异质性的复杂先天性心脏病，合并不同程度的右心系统发育不良，右心室腔大小可从正常进展到严重缩小^［1］。即使右心室形态学上3个组成部分，即流入道部、小梁部和漏斗部均存在，但由于继发性肥厚无法保留足够大的心腔。同样，CPS也可进展为完全性闭锁。这类先天性心脏病右心发育不良程度影响胎儿的治疗效果和预后，严重者可能导致胎儿水肿和宫内死亡^［2］。因此，对PA/IVS和CPS胎儿右心发育情况进行准确评估极具挑战，也是产前咨询工作的难点。

重度右心发育不良者生后双心室循环可能性大大减小，胎儿期需及早进行FPV手术，当前国内外可借鉴的FPV手术参考指征，即生后单心室的预测指标，可以视作胎儿期重度发育不良的评估指标。但该指标多应用右心系统与左心系统解剖结构的简单对比，如三尖瓣瓣环/二尖瓣瓣环比值、右心室长径/左心室长径比值及肺动脉瓣瓣环/主动脉瓣瓣环比值^{［12,13,14,15］}。回顾性研究发现，部分符合上述指标的PA/IVS伴右心发育不良胎儿即使未行FPV，生后经过介入治疗也实现了双心室修复，提示该指标在预测单心室结局及指导FPV上存在不足^［6］。尽管三尖瓣反流速度、三尖瓣流入时间/心动周期比值更能反映右心室功能而受到更多关注，但上述指标缺乏大样本数据支持；部分学者对此有所补充，增加了并发症表现，如右心室心肌窦状隙开放，或者右心室心肌纤维化及三尖瓣Z值等，但评估难度大且尚无统一标准的指标^{［15,16,17,18,19,20］}。深度学习技术已在胎儿超声心动图图像识别、分割及先天性心脏病诊断等应用方面初露锋芒，随着数据量的增加和算法的改进，应用性能和领域将不断拓展^［21］。本研究团队在结合PA/IVS和CPS胎儿FPV指标基础上，引入右心室形态学及生后右心室功能多维度信息，借助深度学习技术实现了右心室发育程度分级的精准评估。本研究结果将有助于提升PA/IVS和CPS伴右心发育不良胎儿产前咨询和FPV的工作水平。

基于深度学习的右心发育程度分级的精准评估需建立在图像的识别和分割基础之上。胎儿超声心动图四腔心视图广泛用于先天性心脏病的早期诊断，可直观提供心脏形态、大小，心室肌壁厚度等信息。然而，由于超声成像存在伪影和分散噪声，不同孕周解剖结构的变异性、胎儿的随机运动以及解剖结构边界的不连续性，常规的超声心动图检查需要医师具备胎儿心脏解剖结构的专业知识，并在短时间内准确测量与结构和功能相关的参数。这是一项知识密集型工作，在很大程度上依赖于医师丰富的经验。因此，对于缺乏经验的青年医师来说，完成胎儿先天性心脏病的早期诊断难度高，学习曲线会很长。本团队前期研究引入多级残差混合注意力机制模块，建立的RLDS模型展现出良好的性能，可准确识别四腔心切面中心腔结构，平均准确率达88%，接近超声医师识别水平^［9］。

对四腔心视图关键解剖结构的精确分割是自动诊断和评估先天性心脏病的重要基础，完成胎儿心脏准确分割更是不易。卷积神经网络（convolutional neural networks，CNN）在生物图像分割方面表现出色，学者们不断尝试将CNN用于胎儿超声心动图图像分割^［22］。An等^［23］对基于CNN的目标检测方法进行了深入的评估，最终选择了结合HRNet的级联实例分割模型Hybrid Task Cascade，对胎儿超声心动图四腔心视图的胎儿心脏进行识别，交并比（intersection of union，IoU）为75%时平均精确度为0.8610，这意味着该算法适合胎心检测。Pu等^［24］首次结合特征金字塔网络（feature pyramid network，FPN）和MobileNe的优点，提出了一种用于胎儿超声四腔心视图关键结构分割的MobileNet-FPN模型。与UNet、SegNet、Resnet50-UNet、Mobile-UNet等主流医学图像分割模型相比，该模型在四腔心视图中对心脏四个心腔分割识别的IoU为 0.6910，甚至比最常用的UNet模型提高14.54%。国内学者基于Mask R-CNN，采用新颖的目标提案恢复策略，能够同时实现四个心腔精准分割，该模型的Dice系数、敏感度、特异度和Hausdorff距离等指标均优于UNet^［25］。

由于卷积运算的固有局域性，CNN很难学习到全局语义信息和像素相对距离较远的语义信息^［26］。Transformer体系结构在自然语言处理领域表现突出，采用多头注意力机制，擅长捕捉长距离依赖关系，引入计算机视觉领域后开创性地应用于图像识别和图像分割任务，获得了优异的结果。本团队前期充分结合CNN和Transformer结构的优势设计了DPC-MSGATNet模块，用于从胎儿四腔心视图中分割四个心腔。与UNet、Attention UNet、Res-UNet等模型比较，DPC-MSGATNet的F1值和IoU分别为96.87%和0.9399^［9］。在此基础上，本团队进一步研发了新型SPReCHD模型，该模型在胎儿超声心动图四腔心视图测试集中具备高精确性^［10］。该模型对于精准分析不同类型的先天性心脏病的解剖特点和预后评价具有重要意义。本研究证实SPReCHD模型可实现胎儿PA/IVS和CPS右心发育不良程度的准确分级，达到前期开发研究水平。

本研究不足之处在于可能受样本量限制，SPReCHD模型在区分中、重度右心发育不良方面仍有很大的提高空间；本研究是对现有标准基础上评估结果一致性的初步探索研究，未能弥补现有标准的不足。该模型分析对象以静态图像分析为主，尚无法直接识别超声动态图像，这也是超声图像智能分析领域的难点。“可解释性人工智能”也是深度学习在医学研究领域中备受关注的一个问题，若不能理解人工智能模型做的事情，其结果则很难获得信任。因此，如何客观呈现SPReCHD模型的评估结果需要进一步研究。

综上所述，基于本团队前期的临床经验，结合在深度学习识别胎儿超声图像中的研究成果，进一步将SPReCHD模型用于右心发育不良程度分级的评估中，这对于解决临床焦点问题提供了新思路和新举措。SPReCHD模型在右心发育不良程度分级的评估水平，与高级职称的儿童心血管医师在多维度参数基础上评估的结果具有良好一致性，具备临床辅助评估价值。今后本团队将进一步开展多中心、大样本的研究，以期通过SPReCHD模型进一步完善或提出新的右心发育不良程度的评估标准。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	Vall Camell M, Rodríguez-Fanjul J, Bautista Rodríguez C, et al. Percutaneous management of pulmonary atresia with intact ventricular septum and critical pulmonary stenosis[J]. An Pediatr (Barc), 2019, 91(5): 336-343.

2	Villalaín C, Moon-Grady AJ, Herberg U, et al. Prediction of postnatal circulation in pulmonary atresia/critical stenosis with intact ventricular septum: systematic review and external validation of models[J]. Ultrasound Obstet Gynecol, 2023, 62(1): 14-22.

3	Hogan WJ, Grinenco S, Armstrong A, et al. Fetal cardiac intervention for pulmonary atresia with intact ventricular septum: international fetal cardiac intervention registry[J]. Fetal Diagn Ther, 2020, 7:1-9.

4	Luo G, Zhang B, Wang D, et al. Fetal pulmonary valvuloplasty for pulmonary atresia with intact ventricular septum: a single-center clinical experience[J]. Chin Med J (Engl), 2023, 136(6):740-742.

5	Luo G, Gao S, Sun H, et al. Valvuloplasty of fetal pulmonary atresia with intact ventricular septum and hypoplastic right heart: Mid-term follow-up results[J]. J Interv Med, 2022, 5(4):196-199.

6	孙宏晓, 罗刚, 泮思林, 等. 6例未行宫内干预的室间隔完整型肺动脉闭锁伴右心发育不良胎儿的生后处理及随访[J].中华围产医学杂志, 2022, 25(8): 576-581.

7	Garcia-Canadilla P, Sanchez-Martinez S, Crispi F, et al. Machine learning in fetal cardiology: what to expect[J]. Fetal Diagn Ther, 2020, 47(5): 363-372.

8	罗刚, 泮思林, 乔思波, 等. 深度学习技术在胎儿超声心动图图像自动识别中的应用[J].实用医学杂志, 2022, 38(14): 1830-1833.

9	Qiao S, Pang S, Luo G, et al. DPC-MSGATNet: dual-path chain multi-scale gated axial-transformer network for four-chamber view segmentation in fetal echocardiography[J]. Complex Intell Syst, 2023, 9(4): 4503-4519.

10	Qiao S, Pang S, Sun Y, et al. SPReCHD: four-chamber semantic parsing network for recognizing fetal congenital heart disease in medical metaverse[J]. IEEE J Biomed Health Inform, 2022, PP.DOI: 10.1109/JBHI.2022.3218577. Online ahead of print.

11	孟红, 李慧, 王剑鹏, 等. 室间隔完整型肺动脉闭锁和重度肺动脉瓣狭窄患儿的右心室发育分级及术式选择[J].中国循环杂志, 2021, 36(11): 1101-1106.

12	Gómez Montes E, Herraiz I, Mendoza A, et al. Fetal intervention in right outflow tract obstructive disease: selection of candidates and results[J]. Cardiol Res Pract, 2012, 2012: 592403.

13	Tulzer A, Arzt W, Gitter R, et al. Immediate effects and outcome of in-utero pulmonary valvuloplasty in fetuses with pulmonary atresia with intact ventricular septum or critical pulmonary stenosis[J]. Ultrasound Obstet Gynecol, 2018, 52(2):230-237.

14	郑景浩, 李守军. 先天性心脏病外科治疗中国专家共识(四):室间隔完整型肺动脉闭锁[J].中国胸心血管外科临床杂志, 2020, 27(5): 479-483.

15	罗刚, 泮思林, 万浩, 等. 室间隔完整的肺动脉闭锁胎儿心脏介入治疗五例中期随访[J]. 中华儿科杂志, 2021, 59(9): 782-786.

16	Andersen S, Nielsen-Kudsk JE, Vonk Noordegraaf A, et al. Right ventricular fibrosis[J]. Circulation, 2019, 139(2): 269-285.

17	Li B, Luo F, Luo X, et al. Effects of atrial fibrosis induced by mitral regurgitation on atrial electrophysiology and susceptibility to atrial fibrillation in pigs[J]. Cardiovasc Pathol, 2019, 40: 32-40.

18	Chikkabyrappa SM, Loomba RS, Tretter JT. Pulmonary atresia with an intact ventricular septum: preoperative physiology, imaging, and management[J]. Semin Cardiothorac Vasc Anesth, 2018, 22(3): 245-255.

19	Gijtenbeek M, Haak MC, Ten Harkel ADJ, et al. Critical coarctation of the aorta in selective fetal growth restriction and the role of coronary stent implantation[J]. Fetal Diagn Ther, 2020,27: 1-9.

20	王德辉, 邓学东. 胎儿室间隔完整型肺动脉闭锁的超声心动图评估及预后分析[J/OL].中华医学超声杂志(电子版), 2023, 20(12): 1266-1270.

21	何冠南, 李胜利. 人工智能在胎儿超声心动图应用中的研究进展[J/OL].中华医学超声杂志(电子版), 2023, 20(5): 554-556.

22	Huang HM, Lin LF, Tong RF, et al. UNet3+: A full-scale connected UNet for medical image segmentation. Proceedings of the 2020 international conference on acoustics, speech and signal processing[J]. Barcelona: IEEE, 2020, 1055-1059.

23	An S, Lv J, Zhu H, et al. Fetal heart and descending aorta detection in four-chamber view of fetal echocardiography[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2021, 2021: 2722-2725.

24	Pu B, Lu Y, Chen J, et al. Mobile UNet-FPN: A semantic segmentation model for fetal ultrasound four-chamber segmentation in edge computing environments[J]. IEEE J Biomed Health Inform, 2022, 26(11): 5540-5550.

25	An S, Zhou X, Zhu H, et al. Simultaneous segmentation of four cardiac chambers in fetal echocardiography[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2021, 2021: 3122-3126.

26	王金祥, 付立军, 尹鹏滨, 等. 基于CNN与Transformer的医学图像分割[J].计算机系统应用, 2023, 32(4): 141-148.

Options

文章导航

模态框（Modal）标题

摘要