深度学习在儿童心脏超声标准切面自动智能识别中的应用

[摘要]　目的　探讨深度学习在儿童心脏超声标准切面自动识别中的可行性和准确性。方法　通过上海交通大学医学院附属上海儿童医学中心心脏超声诊断中心影像归档和通信系统(PACS）数据库中,选取2022年9月至2022年10月行心脏超声检查的儿童的4035张心脏超声图像,按照6∶2∶2的比例将图像随机分为训练集（2421张）、验证集（807张）、测试集（807张）。通过改进DenseNet开发了一个轻量、高效的深度学习模型实现对15类儿童心脏超声标准切面的自动识别,并与DenseNet121、InceptionV3、MobileNetV3 3种常用的深度学习模型进行比较。采用准确度、精确率、特异度、召回率和F1指数评价深度学习模型的识别性能。使用参数量、模型大小和浮点运算数3个指标评估模型的识别效率。采用混淆矩阵展示模型的识别结果,并通过热力图反映模型对图像特征的关注度。结果　DenseNet121,InceptionV3,MobileNetV3和所提出模型对15类儿童心脏超声标准切面和非标准切面的识别平均F1指数分别为94.59%、95.13%、92.41%、94.73%,参数量分别为7.0×106、24.4×106、4.2×106、1.8×106,模型大小分别为13.941 MB、48.777 MB、8.445 MB、3.588MB,浮点运算数分别为11.16×109、12.89×109、0.86×109、3.05×109。从混淆矩阵中可以得出所提出模型对15类儿童心脏超声标准切面和非标准切面的识别率要高于其他模型,而在热力图中也可以看出,所提模型能够关注到关键的特征区域。结论　提出的深度学习模型可准确地识别儿童心脏超声标准切面,且模型的参数量较少,运行效率较高。     

智能髋关节超声技术在婴儿发育性髋关节发育不良筛查中的应用

【目的】开发一种辅助发育性髋关节发育不良（DDH）的早期超声筛查的深度学习系统,即新型智能髋关节超声技术（S-hip）,并验证其临床应用价值。【方法】选取我院自2021年11月至2022年8月通过标注和审核的婴儿髋关节冠状切面超声图像11 100张,其中8 100张图像用于训练集,3 000张用于测试集,用于构建S-hip深度学习系统。另采集87例婴儿双侧髋关节共174张标准冠状切面超声图像用于验证S-hip的自动测量与医生人工测量之间的一致性。S-hip、超声专家和住院医师分别测量α角、β角和FHC,分别记录测量数据和测量耗时,并进行统计学分析。另选取100张髋关节标准冠状切面超声图像,用于超声专家和超声住院医师测量者自身两次测量重复性验证。【结果】S-hip与超声专家测量α角、β角和FHC结果的组内相关系数（ICC）与95%可信区间（CI）分别是0.799(0.738,0.847)、0.798(0.737,0.846)和0.934(0.954,0.975)。超声住院医师和超声专家测量α角、β角和FHC结果的ICC(95%CI)值分别是0.725(0.645,0.789)、0.674...     

人工智能在鉴别肝门部胆管癌细胞及周围神经侵袭中的应用

目的 建立一种用于辅助诊断肝门部胆管癌(HC)的人工智能(AI)算法模型,评价其识别肿瘤细胞及周围神经侵犯(PNI)的能力.方法 采用AI算法对825张HC和175张非癌变组织图像(600张为训练集,300张为测试集,100张为比较数据集)进行深度学习,将不同参数的GoogLeNet和DenseNet相结合的神经网络用于HC细胞和PNI的特征提取和深度学习.比较该AI算法模型与3名病理科医师(副主任医师、主治医师、住院医师各1名)在判断肿瘤有无及肿瘤细胞百分比的差异.结果 基于深度学习的AI算法可以准确识别HC组织标本图像中的肿瘤细胞及PNI.AI算法诊断肿瘤的能力可与经验丰富的病理科副主任医师媲美,且在评估肿瘤细胞百分比方面更胜一筹.结论 AI算法模型在识别HC肿瘤细胞及PNI方面具有辅助作用.     

基于迁移学习的胃镜图像自动识别多分类系统的研究

目的通过迁移学习提高早期胃癌图像识别准确率。方法根据胃癌前病变概念收集5类胃镜图像,分别为早期和进展期胃癌图像783张、胃溃疡图像1042张、慢性胃炎图像1143张、胃息肉图像1096张和正常胃镜图像1763张,按6:2:2的比例分为训练集、验证集、测试集,通过从零训练模型ResNet34与微调迁移模型ResNet34、VGG16相比较。结果基于迁移学习的ResNet34模型识别准确率最高,验证集准确率95.64%,测试集准确率90.75%。结论ResNet34模型可较准确的实现常见胃镜图像识别,较传统深度学习方法对小数据集的医学图像有更好的泛化和特征提取能力。     

基于深度学习的4种肺部超声征象分类

目的　探究基于残差卷积神经网络ResNet152对4种常见肺部超声征象的分类。方法　前瞻性收集了2020年6－9月在上海市肺科医院超声科进行超声检查的患者的超声图像,分别采集A线、B线、胸腔积液、肺实变的肺部超声图像各1 500张。选择其中清晰、未被骨骼遮挡、征象单一的图像,最终入选A线图像1 388张、B线图像1 375张、胸腔积液图像1 384张、肺实变图像1 398张。采用深度残差网络ResNet152进行分类模型的训练和验证,并在完全独立于训练集和验证集的测试集上测试模型的泛化能力。以精确率、准确度、特异度、召回率和F1指数评价深度分类模型的分类性能,并通过混淆矩阵直观地展示分类结果。结果　基于深度残差网络的分类模型分类A线、B线、胸腔积液和肺实变4种征象的精确率分别为97.51%、87.31%、85.42%、93.70%,召回率分别为90.38%、86.97%、94.25%、91.18%。4种肺征象的整体分类精确率为90.99%,准确度为90.70%,特异度为96.85%,F1指数为90.50%,表现出优秀的分类特性。结论　基于深度残差网络的肺部超声分类模型表现出较高的分类特性,有潜力辅助超声医师做出诊断。     

经胸片预训练的膝关节X线深度学习模型在骨质疏松诊断中的应用

目的 基于膝关节X线图像,采用深度卷积神经网络和迁移学习方法构建模型,以探讨其在骨质疏松诊断中的应用效果。方法 收集江苏大学附属金坛医院的膝关节X线正位片,按比例8∶2分为训练集（400张）与内部验证集（100张）。从Image Net网站上选取Res Net、Xception、NASNet及Efficient Net 4个深度卷积神经网络,并冻结其首次预训练的参数,作为单次训练组的模型框架;从Kermany-Chest X-Ray2017胸片数据集随机选取5856张图像,对这4个神经网络进行二次预训练,作为二次训练组的模型框架。分别利用两组模型框架针对金坛医院的膝关节X线图像进行目标训练、构建骨质疏松的分类模型。从Wani-Knee X-Ray2021数据集随机选取85张图像作为外部测试集。根据模型在内部验证与外部测试集中的表现评价其分类能力。结果 二次训练组的模型准确度均高于单次训练组。4个深度卷积神经网络中,EfficientNet模型性能显著优于另外3个模型。二次训练组的Efficient Net模型在内部验证集中准确度为0.918,F1值为0.918,受试者工作特征曲线下面积...     

超声在产前胎儿心脏畸形筛查中的应用价值

目的探讨超声在产前胎儿心脏畸形筛查中的准确率及影响因素。方法回顾性分析在我院进行了胎儿心脏超声筛查的孕妇1200例。运用四腔心切面、左心室流出道、右心室流出道及三血管气管切面对心脏进行系统筛查。结果产后经证实的新生儿心脏畸形有26例,产前超声诊断为心脏畸形胎儿25例,准确率为96．15％（25／26）;产前用四腔心切面加声束法检查胎儿心脏3个基本切面（四腔心切面及左、右室流出道切面）,其显示率在孕22～30周达98％,孕31～42周和孕18～21周分别为88．67％和79．33％。结论产前超声筛查胎儿先天性心脏畸形要注意选择合理切面及在孕妇合适的孕周进行检查以提高准确率。     

基于图像分类技术在医学影像数据治理过程中的研究与应用

目的 探讨在数据治理过程中利用深度学习的图像分类方法对每幅X线检查图像进行准确分类的可行性。方法 将安徽省全省范围内80%以上的医疗机构的不同类型设备上传至安徽省影像云平台中的脱敏后X线数据纳入本研究,并选取25种常见的X线检查项目,由两名影像科技师参考放射科信息系统的检查项目名称,对数据治理平台中获取的12857幅影像数据进行标注。标注数据集按照7∶1∶2的比例分为训练集、验证集和测试集,其中训练集9006张图像,验证集1279张图像,测试集2572张图像。基于ResNet50搭建深度学习网络,利用训练集和验证集数据进行模型训练,测试集测试结果采用受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）和敏感度作为模型的性能评价指标。结果 测试集的测试结果显示,大多数图像分类正确,图像分类平均ROC曲线下的面积为99.94%,敏感度为98.05%±5.68%,但仍有少量图像不准确。结论 在医学影像数据治理过程中,基于图像分类的方法可以实现大部分X线检查项目图像的准确分类,但少量图像由于拍摄图像不规范,无法正确分类,需要结合放射科信息...     

产前超声对胎儿血管环的诊断价值

目的 探讨产前超声对胎儿血管环的诊断价值.方法 回顾性研究2015年6月至2019年9月于本院行产前超声筛查诊断为胎儿先天性血管环的14例胎儿的超声图像.分析产前超声对胎儿血管环的诊断价值.结果 产前超声筛查结果显示,14例先天性完全性血管环均为右位主动脉弓,伴迷走左锁骨下动脉、左位动脉导管,均经产前或产后于本院或周围三甲医院进一步重复检查,和第一次超声筛查结果一致.结论 先天性血管环在产前有特征性超声表现,超声三血管气管切面、主动脉弓长轴切面、气管冠状切面是明确该畸形的重要切面,产前超声对胎儿血管环的诊断价值较高,值得临床推广应用.     

中孕期胎儿超声筛查切面的规范化分析

目的探讨中孕期胎儿超声筛查切面的规范化。方法选取2016年7月至2017年5月我院未进行胎儿超声筛查切面的规范化的一年间接受胎儿超声筛查的孕期妇女200例,选取2016年7月至2017年5月我院规范化胎儿超声筛查切面后接受胎儿超声筛查的孕期妇女200例,对胎儿超声筛查切面规范化前后相关检查数据进行对比。结果规范化胎儿超声筛查后对于异常胎儿的筛查率明显高于规范化前(P0.05),规范化后检查出的胎儿异常种类明显多于规范化之前(P0.05)。结论在对中孕期胎儿进行异常筛查时,规范化的胎儿超声筛查切面可以及时发现胎儿的异常,减少异常胎儿的漏诊,临床上应当进一步推广应用。     

时间-空间相关成像技术在胎儿产前心脏筛查的初步应用

目的探讨时间-空间相关成像技术(STIC)在胎儿产前心脏筛查的应用价值。方法分别使用常规超声及STIC技术检查孕21～28周心脏正常的胎儿200例,分析STIC的图像质量、图像信息及扫查时间与常规超声之间的差异。结果使用STIC技术下200例胎儿心脏均获得满意的容积数据。脱机分析所获得的心脏各切面图像质量与常规超声图像质量无显著性差异(P>0.05),并且能获得常规超声不能显示的图像资料。采集STIC容积信息的平均扫描时间(5.12±2.56)min,采集常规超声所需各切面的平均扫描时间(6.78±3.11)min。结论 STIC扫描可以缩短检查时间,减低对检查者的经验依赖,减少对胎儿的超声照射,能提供与常规超声一致的图像质量及更多的心脏切面图像和信息。     

基于级联区域卷积神经网络算法在肾组织病理切片中对肾小球的识别与定位

目的 基于级联区域卷积神经网络(cascade R-CNN)算法开发一种能自动识别肾组织病理切片图像中肾小球的人工智能(AI)系统,帮助病理医师提高计算肾小球个数与识别肾小球的效率.方法 收集2017-2019年3年内在山西医科大学第二医院和山西医科大学附属人民医院行肾穿刺活检术患者的肾脏病理切片,剔除模糊不清、染色质量差的图像,最终得到1 180张质量无明显差异的六胺银(PASM)染色图像.通过高分辨率全视野数字切片(WSI)获得数字化扫描图像,图像数据通过远程病理系统传输到云端并储存.使用cascade R-CNN方法创建训练集(940张图像)和测试集(240张图像),训练集用于训练AI学习识别肾小球,测试集用于测试和评价cascade R-CNN算法识别出肾小球的精确度和召回率.将测试集的病理切片由3名工作年限至少3年的病理医师阅读,计算医师们识别肾小球的精确度与时间.结果 基于cascade R-CNN网络训练完成的深度学习模型识别每张图像肾小球区域时间为(0.20±0.02)s.精确度、召回率分别为93.90％、98.00％,F1值为95.91％.3名病理医师识别每张图像肾小球区域时间分别为(3.57±0.05)、(4.57±0.07)、(3.98±0.02)s,精确度分别为88.08％、89.69％、89.98％,差异均无统计学意义(P均＞0.05).cascade R-CNN算法识别肾小球的精确度高于3名病理医师的平均精确度(89.25％),差异有统计学意义(t=-5.607,P=0.009).结论 cascade R-CNN算法通过高分辨率WSI可快速有效地识别肾小球,能够帮助病理医师提高肾脏疾病的诊断效率.     

Establish a normal fetal lung gestational age grading model and explore the potential value of deep learning algorithms in fetal lung maturity evaluation

Background:Prenatal evaluation of fetal lung maturity (FLM) is a challenge, and an effective non-invasive method for prenatal assessment of FLM is needed. The study aimed to establish a normal fetal lung gestational age (GA) grading model based on deep learning (DL) algorithms, validate the effectiveness of the model, and explore the potential value of DL algorithms in assessing FLM.Methods:A total of 7013 ultrasound images obtained from 1023 normal pregnancies between 20 and 41 + 6 weeks were analyzed in this study. There were no pregnancy-related complications that affected fetal lung development, and all infants were born without neonatal respiratory diseases. The images were divided into three classes based on the gestational week: class I: 20 to 29 + 6 weeks, class II: 30 to 36 + 6 weeks, and class III: 37 to 41 + 6 weeks. There were 3323, 2142, and 1548 images in each class, respectively. First, we performed a pre-processing algorithm to remove irrelevant information from each image. Then, a convolutional neural network was designed to identify different categories of fetal lung ultrasound images. Finally, we used ten-fold cross-validation to validate the performance of our model. This new machine learning algorithm automatically extracted and classified lung ultrasound image information related to GA. This was used to establish a grading model. The performance of the grading model was assessed using accuracy, sensitivity, specificity, and receiver operating characteristic curves.Results:A normal fetal lung GA grading model was established and validated. The sensitivity of each class in the independent test set was 91.7%, 69.8%, and 86.4%, respectively. The specificity of each class in the independent test set was 76.8%, 90.0%, and 83.1%, respectively. The total accuracy was 83.8%. The area under the curve (AUC) of each class was 0.982, 0.907, and 0.960, respectively. The micro-average AUC was 0.957, and the macro-average AUC was 0.949.Conclusions:The normal fetal lung GA grading model could accurately identify ultrasound images of the fetal lung at different GAs, which can be used to identify cases of abnormal lung development due to gestational diseases and evaluate lung maturity after antenatal corticosteroid therapy. The results indicate that DL algorithms can be used as a non-invasive method to predict FLM.     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

彩色多普勒超声在非高危胎儿产前心脏筛查中的临床价值

目的探讨彩色多普勒超声在非高危胎儿产前心脏筛查中的临床诊断价值,以便尽可能地降低先天性心脏病患儿的出生率及围生儿死亡率。方法回颐性分析2009年6月～2011年12月解放军第四二一医院联合应用左、右室流出道切面和四腔心切面法对孕18～24周的非高危胎儿进行心脏筛查的3780例临床资料。结果经引产尸解及产后随访证实,本组共检出先天性心脏病胎儿26例（其中严重先天性脏病12例）,心脏畸形的总发生率为6．9‰。24例经产前多普勒超声筛查检出,漏诊2例（法洛四联症1例、室间隔缺损1例）,产前超声检出率为92．3％。结论彩色多普勒超声能获得较满意的胎儿心脏声像,胎心结构清楚,能检出大多数胎儿心脏畸形．是产前筛查胎儿先天性心脏病的首选方法,在非高危胎儿产前心脏筛查中有重要的临床价值。     

彩色多普勒和二维超声诊断胎儿脐带扭转的临床研究

目的:研究胎儿脐带扭转的二维志像图特征、彩色多普勒血流显像(CDFI)及脐动脉血流S/D值,分析其临床应用价值。方法:对1446例晚期妊娠妇女进行二维超声和CDFI。自脐带胎盘端到胎儿脐轮部循踪行多切面扫查,记录脐带扭转声像,脐动脉血流S/D测值,产后进行对照分析。结果:CDFI诊断脐带扭转阳性检出率高,漏诊率低,显著优于二维超声。脐带扭转的声像图特征:纵切面呈绳索、麻花或双排对称串状;横、斜切面以“鼠眼样”和“元宝”形,脐带扭转组与无扭转组在胎儿宫内窘迫、羊水污染、剖宫产发生率有显著性差异。结论:脐带扭转与胎儿宫内窘迫、预后及分娩方式密切相关。CDFI诊断脐带扭转声像特征更直观、准确。     

超声规范化切面对产前胎儿畸形筛查的价值探讨

目的:探讨超声规范化切面对产前胎儿畸形筛查的价值。方法:回顾性分析产检的3 420例孕妇的超声检查资料,观察超声规范化切面特征。结果:接受超声检查的3 420例孕妇中,共检出畸形胎儿23例,畸形发生率为0.67%,与产后诊断符合率为100%。超声检查漏诊1例,所有畸形胎儿的超声切面图均有改变。结论:超声规范化切面对胎儿畸形的筛查准确率较高,对产前筛查胎儿畸形,指导临床上进行宫内治疗或终止妊娠有着极其重要的意义和价值。     

时空关联成像技术在正常胎儿心脏超声检查中的应用

目的 探讨时空关联成像(STIC)技术在正常胎儿心脏超声检查中的操作方法 与应用价值.方法 110例 中晚孕期正常胎儿,经常规超声筛查心脏未见异常.采用STIC技术一次性扫描获得胎儿心脏整体容积数据,存盘后进行脱机分析:(1) 采用超声断层显像(TUI)模式,通过调节层距和中心层位置,分别显示四腔心,左心室流出道、右心室流出道和三血管切面动态图像,并采用评分方法 比较TUI图像与二维超声直接获得的各切面图像质量差异.(2)采用动态正交三平面(MP)模式,通过调节切割面和正交点位置,在A、B、C 3个相互垂直的平面上显示心脏节段性分析中所需要的10余个标准切面,分析主要结构的静态与动态图像.结果 110例胎儿心脏均获得满意的容积图像.平均每次STIC扫描时间为(55±15)s.TUI模式下可重现胎儿心脏超声筛查所需的4个标准切面,各切面图像的显示合格率与二维扫描图像差异无显著性(P>0.05).选取39例扫描起始切面为心尖四腔心切面的样本在MP模式下进行了心脏节段性分析,在心房、心室和大动脉3个节段的显示中,除房室瓣口短轴的显示合格率较低(41%)外,主要解剖结构的显示合格率在72%～100%.在心室节段中,均可显示室间隔的完整剖面.结论 实时三维超声成像可简化胎儿心脏图像采集的过程,减少对操作经验的依赖和对胎儿心脏的超声照射时间.     

改进型Unet网络在脑CT图像出血区域识别与分割中的应用

目的 探讨改进型Unet网络技术对脑CT图像出血区域识别与分割的性能及其应用价值.方法 回顾性纳入476份自发性脑出血(spontaneous intracerebral hemorrhage,SICH)患者的脑CT图像,采用基于改进型Unet网络对患者脑CT图像出血区域进行识别和分割,由临床医生手动标注出血区域的影像...