A frame-level CNN-LSTM model successfully learned time-series features from echocardiography videos to predict left ventricular ejection fraction compared to a machine learning control group.
본 연구는 심초음파 비디오로부터 좌심실 박출률을 예측하기 위해, 저해상도·소수 프레임 조건에서 프레임 기반 CNN-LSTM 결합 구조의 시계열 학습 효과를 체계적으로 분석한다. 기존 임상 환경에서는 의료진이 심초음파 영상을 육안으로 판독하여 박출률을 산출해 왔으나, 판독자의 경험과 숙련도에 따른 편차가 존재하고 정량 평가에 많은 시간이 소요되는 한계가 있었다. 본 연구에서는 심초음파 비디오를 다수의 정적 프레임으로 분해하고, 2d-Cnn을 통해 프레임별 공간적 특징을 추출한 뒤, Lstm을 이용해 심장의 주기적 수축과 이완 패턴을 학습하도록 설계하였다. 이를 통해 프레임 간 시계열적 특징을 학습할 수 있음을 확인하였으며, 기계학습 대조군과의 비교를 통해 시계열 학습의 기여도를 검증하였다. 제안된 구조는 Ef 산출의 자동화 가능성을 보여주며, 향후 임상 의사결정 지원 도구로의 확장 가능성을 제시한다.
Park et al. (Thu,) conducted a other in Left ventricular ejection fraction prediction. Frame-level CNN-LSTM model vs. Machine learning control group was evaluated on Left ventricular ejection fraction (LVEF) prediction. A frame-level CNN-LSTM model successfully learned time-series features from echocardiography videos to predict left ventricular ejection fraction compared to a machine learning control group.