DGACNN 기반 태아 선천성 심장병 심초음파 스크리닝: 비디오 전이 학습이 결합된 적대적 일급 분류

태아 선천성 심장병(FHD)은 어린이에게 흔하고 심각한 선천적 기형입니다. 아시아에서 FHD 출생 결함 비율은 9.3%에 이릅니다. 출생 결함과 사망률을 조기에 발견하기 위해 심초음파는 태아 심장 기형을 스크리닝하는 가장 효과적인 방법으로 남아 있습니다. 그러나 태아 심장에 대한 표준 심초음파, 특히 네 개의 심실을 보여주는 영상은 얻기 어렵습니다. 또한, 임신 기간에 따른 태아 심장의 병리생리학적 변화는 끊임없이 변하는 2차원 태아 심장 구조와 혈류역학을 초래하며, 질병 진행을 인식하고 판단하기 위해 광범위한 전문 지식이 요구됩니다. 따라서 FHD의 자동 스크리닝에 대한 연구가 필요합니다. 본 논문에서는 FHD 인식에서 가장 우수한 성능을 보이는 DGACNN이라는 새로운 모델을 제안하였으며, 85%의 인식률을 달성하였습니다. 이 네트워크의 동기는 견고한 모델을 훈련시키기 위한 충분한 훈련 데이터셋이 부족하다는 문제를 다루기 위함입니다. 많은 레이블이 없는 비디오 조각이 있지만, 이를 주석 다는 것은 어렵고 시간이 많이 소요됩니다. 따라서 이러한 주석이 없는 비디오 조각을 사용하여 인식 정확성과 견고성 측면에서 FHD 인식을 개선하는 방법은 FHD 스크리닝에 매우 의미가 있습니다. DGACNN의 구조는 두 부분으로 구성되며, 즉 DANomaly와 GACNN(Wgan-GP 및 CNN)입니다. DANomaly는 ALOCC 네트워크와 유사하지만 사이클 적대적 학습을 통합하여 비디오 조각을 스크리닝할 때 ALOCC보다 더 견고하고 높은 정확도를 가진 end-to-end 일급 분류(OCC) 네트워크를 훈련시키는 데 초점을 맞춥니다. GACNN 아키텍처의 경우, 우리는 DANomaly에 의해 스크리닝된 종수축 말기 근처의 FCH(네 개의 심실) 비디오 조각을 사용하여 WGAN-GP를 훈련시켜 FHD 인식 정확도를 견고하게 개선할 수 있는 이상적인 저수준 특징을 얻는 것을 목적으로 합니다. DANomaly에 의해 스크리닝된 몇 개의 주석 달린 비디오 조각도 데이터 증강에 사용되어 FHD 인식을 더욱 개선할 수 있습니다. 실험 결과 DGACNN은 FHD 인식에서 다른 최신 네트워크보다 1%-20% 더 우수한 성능을 보입니다. 비교 실험에서는 제안된 네트워크가 FHD 인식에서 전문가 심장병 전문가의 성능을 이미 초월하여 테스트에서 84%에 도달했습니다. 따라서 제안된 아키텍처는 심장병 전문가가 조기에 FHD 스크리닝을 수행하는 데 높은 잠재력을 가지고 있습니다.