EchoQC
可解释深度学习框架实现超声心动图视频智能质量控制
超声图像质量高度依赖操作者经验，低质量图像是临床 AI 落地的首要噪声源。与南京大学医学院附属 医院合作，我们提出可解释的质量控制（QC）深度学习框架：
- 自动识别超声视频中的伪影与不可诊断片段，给出帧级/视频级质量评分
- 可解释机制定位影响判读质量的图像区域，为操作者提供实时反馈
- 作为前置模块嵌入实验室全部下游分析流程，保障临床部署可靠性 (Du et al., 2025)
🚀 在线演示 （上传超声视频，输出质量评分与伪影定位热图）
References
2025
- Deep learning framework for interpretable quality control of echocardiography videoIF 3.2Medical Physics, 2025
