基于深度神经网络的颈动脉斑块超声图像诊断技术研究

目的 构建颈动脉斑块超声图像数据集并探讨深度学习技术对颈动脉斑块自动分类诊断的应用价值。方法 首先采集254例患者和354例正常人的颈部动脉超声图像,每例采集2幅图像,构建共包含1216幅图像的颈动脉超声图像数据集；然后,基于已构建的颈动脉超声图像数据集对传统的HOG+SVM方法和14种不同结构的深度神经网络模型进行训练；最后,通过三个量化指标(分类精确率、召回率和F1值)确定现有的颈动脉斑块超声图像分类性能最好的深度神经网络模型。 结果 通过综合比较15种不同的颈动脉斑块超声图像分类方法,得出性能最好的模型是深度残差网络模型ResNet50,其精确率、召回率和F1值分别为97.36%、97.32%和97.34%。 结论 本文通过数据集构建、模型选择、模型训练和测试验证了深度学习技术在颈动脉斑块超声图像自动诊断应用中的有效性,其中深度残差网络模型ResNet50对颈动脉超声图像能进行高准确度自动分类。     

基于声像图深度残差网络ResNet模型自动诊断肾囊肿

目的 分析基于声像图的深度残差网络ResNet模型自动诊断肾囊肿的效能。方法 收集3 670例患者的肾脏超声资料,其中2 024例超声诊断肾囊肿、1 646例肾脏正常,每例选取2幅肾脏声像图,共以7 340幅肾脏声像图构建数据集;以其中6 294幅（3 238幅肾囊肿、3 056幅正常肾）为训练集,1 046幅（810幅囊肿、236幅正常肾）为测试集,分别采用梯度方向直方图（HOG）+支持向量机（SVM）方法及3种深度残差网络ResNet模型（ResNet18、ResNet34、ResNet50）进行诊断。以超声诊断结果为金标准,计算并比较4种方法诊断测试集肾囊肿的敏感度、特异度及准确率,并绘制受试者工作特征（ROC）曲线,获得曲线下面积（AUC）。结果 ResNet34、ResNet50模型诊断测试集肾囊肿的敏感度、特异度及准确率均高于HOG+SVM方法及ResNet18模型（P均<0.01）,且ResNet50模型的特异度和准确率均高于ResNet34模型（P均<0.05）。ROC曲线显示,HOG+SVM方法及ResNet18、ResNet34、ResNet50模型自动诊断肾囊肿的AUC分别为0.731[95%CI（0.691,0.771）]、0.754[95%CI（0.715,0.792）]、0.851[95%CI（0.819,0.884）]及0.892[95%CI（0.865,0.920）]。结论 基于声像图的深度残差网络ResNet模型可自动诊断肾囊肿,以ResNet50模型效果最佳。