Abstract
Точная диагностика дефектов межпредсердной и межжелудочковой перегородки (ASD, VSD) на детской эхокардиографии по-прежнему представляет собой клиническую задачу, особенно в условиях ограниченных ресурсов. В данной работе предлагается новая архитектура глубинного обучения, адаптирующая передовые решения из области распознавания лиц — RetinaFace и ArcFace — для задач анализа медицинских изображений. Предложенный метод включает двухэтапную архитектуру: (1) модуль, вдохновлённый RetinaFace, для обнаружения и обрезки области сер-дечной перегородки на кадрах трансторакальной эхокардиограммы, и (2) классификационную сеть на основе ResNet-50, обученную с использованием функции потерь ArcFace для получения дискриминативныхэмбеддингов типов дефектов. Система протестирована на размеченном датасете детской эхокардиографии с тремя классами: норма, ASD и VSD. Модель достигла точности классификации 94.4 % и значения AUC 0.976 в парной задаче верифи-кации, превзойдя традиционные CNN-классификаторы. Полученные результаты демонстрируют, что методы метрического обучения, заимствованные из распоз-навания лиц, могут быть успешно применены в медицинской визуализации для задач тонкой классификации. Данные выводы подтверждают возможность эф-фективной репурпозации моделей распознавания лиц для анализа медицинских изображений, открывая перспективные направления в компьютерной диагностике врождённых сердечных дефектов на эхокардиограммах.