Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightTest aşamasında model %85 doğruluk ve 0.74 ortalama precision elde ederek güvenilir ve düşük yanlış pozitif oranına sahip bir karar mekanizması ortaya koymuştur.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, aort darlığının değerlendirilmesinde kritik öneme sahip aort kapak kalsifikasyonunun otomatik derecelendirilmesi için tamamen ultrason tabanlı ve düşük maliyetli bir yaklaşım sunmaktadır. Bilgisayarlı tomografi yöntemlerinde maruz kalınan radyasyonu ortadan kaldırmak amacıyla yöntem yalnızca ekokardiyografi görsellerini kullanmakta ve çalışmaya özel oluşturulan bir veri seti ile eğitilmiştir. Aort kapak bölgesinden elde edilen ROI frameleri üzerinden çalışan Vision Transformer (ViT) modeli, düşük, orta, yüksek ve kritik olmak üzere dört kalsifikasyon seviyesini sınıflandırmak üzere geliştirilmiştir. Test aşamasında model %85 doğruluk ve 0.74 ortalama precision elde ederek güvenilir ve düşük yanlış pozitif oranına sahip bir karar mekanizması ortaya koymuştur. Mimarinin etkinliğini değerlendirmek amacıyla aynı veri seti üzerinde ImageNet ön-eğitimli ResNet50 ve EfficientNet-B3 modelleriyle karşılaştırmalı deneyler gerçekleştirilmiştir. CNN tabanlı modeller rekabetçi sonuçlar üretmekle birlikte, ViT modeli özellikle ara ve ileri derecelerde daha dengeli performans göstermiş ve makro ortalama metriklerde en yüksek başarıyı elde etmiştir. Ultrason temelli olması sayesinde radyasyona maruz bırakmayan, tekrarlanabilir ve ekonomik bir çözüm sunan bu yaklaşım, aort darlığının değerlendirilmesinde klinik olarak uygulanabilir bir karar destek sistemi sağlamaktadır.
Abstract
This study presents a fully ultrasound-based and cost-effective approach for the automatic grading of aortic valve calcification, which plays a critical role in the assessment of aortic stenosis. To eliminate radiation exposure associated with computed tomography, the proposed method relies exclusively on echocardiographic images and was trained on a dedicated dataset constructed for this study. A Vision Transformer (ViT) model operating on ROI frames extracted from the aortic valve region was developed to classify four calcification levels: mild, moderate, severe, and critical. During testing, the model achieved 85% accuracy and a macro-averaged precision of 0.74, demonstrating a reliable decision mechanism with a low false-positive tendency. To further evaluate the architectural choice, ImageNet pre¬trained ResNet50 and EfficientNet-B3 models were trained and tested under identical conditions. Although CNN-based architectures produced competitive results, the ViT model demonstrated more balanced performance, particularly in intermediate and advanced grades, and achieved the highest macro-averaged metrics among the evaluated models. By providing a radiation-free, reproducible, and economically accessible solution, the proposed framework offers a clinically applicable decision-support system for the evaluation of aortic stenosis.