18、超声心动图图像模式识别准确性相关技术研究

超声心动图图像模式识别准确性相关技术研究

1. 机器学习诊断性能增强技术

机器学习（ML）方法使系统能够从经验中学习，它体现了系统获取和整合知识的能力，是一个包含重要统计学习理论的庞大领域。通过设计学习算法，可以确定在线数据中的隐藏规律，机器学习技术还能对现有知识进行分类，并通过智能记录和推理数据点来获取新知识。

以下是一些具体的机器学习技术及其局限性：
|作者及年份|技术|缺点/局限性|
| ---- | ---- | ---- |
|Valentina Volpato 等（2019）|3DE 机器学习（ML）方法|该方法未提高准确性|
|Xiaochen Tang 等（2020）|实时机器学习系统|未降低系统复杂度|
|Md Saiful Islam 等（2019）|邻域成分分析（NCA）|虽提高了鲁棒性，但线性变换未能增强准确性|
|Rongjun Ge 等（2019）|双视图左心室网络（PV - LVNet）|未能以较低复杂度实现临床心脏功能估计的更高准确性|
|Eva Volna 等（2014）|神经网络分类方法|未提高分类准确性|
|P. Mohamed Shakeel 等（2019）|机器学习方法|未减少分割的时间消耗|

总体而言，各种机器学习方法存在一些共性问题，如工作过程的复杂性未降低，在提高鲁棒性的同时未能通过线性变换改善分类性能，分割时间消耗未减少，3DE 机器学习方法也未提高准确性。

2. 用于疾病预测的深度神经学习方法

深度学习因复杂的多视图格式，成为部分检查图像的发展工具。以下是一些相关的深度神经学习方法及其局限性：
|