The introduction of Deep Learning methods for Ultrasound applications is more relevant than ever in the context of Echocardiography. In this thesis we worked on a small echocardiographic dataset with 70 patients and proved that an adapted scale and the alignment to end diastolic heart cycle frames can be beneficial for classifying Hypertrophic Cardiomyopathy. Furthermore, we investigated three Explainable Artificial Intelligence Methods and showed that our model focused on more than the clinically prevalent indicators.

Införandet av metoder för djupinlärning inom ultraljudstillämpningar är mer relevant än någonsin inom ekokardiografi. I detta examensarbete arbetade vi med en liten ekokardiografisk datauppsättning med 70 patienter och visade att en anpassad skala och anpassning till slutdiastoliska hjärtcykelramar kan vara fördelaktigt för att klassificera hypertrofisk kardiomyopati. Dessutom undersökte vi tre förklarbara artificiell intelligensmetoder och visade att vår modell fokuserade på mer än de kliniskt vanliga indikatorerna.