多级地带Pooling-Based卷积神经网络分类的颈动脉斑块回声

文摘

颈动脉斑块回声增强超声图像中被发现与中风的风险密切相关的动脉粥样硬化病人。颈动脉斑块回声的自动、准确分类具有重要意义的临床评估颈动脉斑块的稳定性和预测心血管事件。现有的卷积神经网络(cnn)可以提供一个自动颈动脉斑块回声分类;然而,他们需要一个固定大小的输入图像,而颈动脉斑块大小不一。虽然裁剪和缩放输入颈动脉斑块图像是有前途的,它将导致损失或内容失真,因此降低分类精度。在这项研究中,我们设计空间金字塔池(SPP),提出多级地带池(MSP)自动、准确分类的颈动脉斑块回声在纵切面。拟议的MSP模块可以接受任意大小的颈动脉斑块作为输入,并捕获远程信息化背景下提高分类的准确性。在我们的实验中,我们实现一个MSP-based CNN使用视觉几何组(VGG)网络为骨干。共有1463个颈动脉斑块(335 echo-rich斑块,405中间斑块,和723 echolucent斑块)收集来自武汉大学中南医院。的5倍交叉验证结果表明,该MSP-based VGGNet达到的敏感性为92.1%,特异性为95.6%,准确性为92.1%,和F1-score 92.1%。 These results demonstrate that our approach provides a way to enhance the applicability of CNN by enabling the acceptance of arbitrary input sizes and improving the classification accuracy of carotid plaque echogenicity, which has a great potential for an efficient and objective risk assessment of carotid plaques in the clinic.

1。介绍

缺血性心脏病和中风死亡率和发病率的主要原因是在中高收入和高收入国家(1]。大多数中风和急性冠脉综合征是由脆弱的动脉粥样硬化斑块的破裂引起的(2),通常由于积累的脂肪沉积在动脉弯曲和分岔。当颈动脉斑块破裂,atherothrombotic栓子团组成的血小板聚集或斑块碎片可能进入大脑,使小动脉和导致短暂性缺血性发作(TIA)或中风3]。超声(美国)成像是一个首选形态检测颈动脉粥样硬化斑块由于其优势被电离,低成本和方便监视斑块回归和发展针对药物治疗(4,5]。最近的研究表明,颈动脉斑块的回声与他们的弱点6,7]。Echolucent斑块更脆弱是由于大量的脂质核心、薄纤维帽,而echo-rich斑块是稳定的,因为他们主要由钙化物质和纤维组织(8,9]。我们颈动脉斑块回声的分类可以提供有价值的信息关于脆弱的斑块和风险导致脑血管事件(10- - - - - -13]。因此,它具有重要意义确定颈动脉斑块的回声,这可能导致的风险评估颈动脉斑块和有利于脑血管事件的风险预测。然而,由于颈动脉斑块图像斑点,加上我们组织的复杂性露面,和不同的视觉相似性颈动脉斑块回声,它是乏味的和operator-dependent专家观察员来确定颈动脉斑块的回声,而准确的分类是具有挑战性的。

研究人员已经做了一些尝试分类颈动脉斑块回声使用传统方法基于一个或多个手工制作的特性来应对这一挑战。老大等人表明,灰度值(GSM)是一个有用的和客观指标的评估颈动脉斑块回声在糖尿病患者心血管事件的预测(14]。GSM也作为识别的一个重要特征的组织学上不稳定的颈动脉斑块的患者(15]。Prahl等人使用半自动的方法来评估回声(SAMEE)基于百分比的白色(PW)特征指标(16]。在[17),这种方法结合了纹理特征和形态特征的评估颈动脉斑块回声。在[18),提出了一种双向伽马分布模型的灰度图像的像素统计颈动脉斑块;最歧视的特性(mdf)提取离散邻距离特性(DFDFs)每个颈动脉斑块的基于统计模型的颈动脉斑块分为三个类型,进行分类和分类精度达到77.5%。在[19获得的积分值,通过计算累积概率分布曲线下的面积(AUCPDC)采用评价颈动脉斑块回声。125年的分类精度斑块(43 echo-rich 35中间,47 echolucent斑块)是78.4%,而GSM是64.8%。所有这些方法都显示颈动脉斑块分类潜力巨大。然而,上述方法的分类精度不够高,因为他们用手工制作的特性,不能全面、准确地反映颈动脉斑块的复杂的内在特性。

手工制作的特性相比,传统的卷积神经网络(cnn),如VGGNet [20.],GoogLeNet [21],ResNet [22),已被证明是强大的工具来自动从医学图像中提取内在特性(23- - - - - -25]。深卷积神经网络训练使用129450皮肤病的临床图像分类皮肤损伤(26]。基于cnn multiorgan CAD系统开发的分类甲状腺和乳房结节和调查的影响这个系统的诊断效率不同的预处理方法(27]。深残余网络应用于自动颈动脉超声图像的特征提取和识别的颈动脉斑块图像(28]。卷积神经网络是建立从颈动脉超声图像自动提取特征的识别不同的斑块组件(29日]。传统的有线电视新闻网分类任务需要输入固定大小的图像(例如, ),这与颈动脉斑块的大小不一。虽然承诺将颈动脉斑块任意大小的一个统一的尺寸裁剪和缩放,如图1,这将导致几何失真或空间结构特征的变化,这可能会产生负面影响的分类精度,利用模型。尽管他et al。30.]证明了基于空间金字塔池——(SPP) cnn可以消除实施固定大小约束,实现优秀在分类精度和目标检测任务,SPP的局限性是它池广场窗口的输入特征图,适用于对称的结构,如动脉的腔。虽然这限制了灵活性在捕捉各向异性背景下,广泛存在于颈动脉斑块,因为颈动脉斑块主要由脂类的积累和炎性动脉壁的存款在subintimal空间,在这个过程中,血管腔内血流动力学的影响,大多数的颈动脉斑块是长条状的纵切面颈动脉超声(例如,颈动脉斑块的数字2 (e)和2 (f))。池操作使用方形窗SPP不能有效地克服上述限制,因为它将不可避免地包含信息污染无关的领域。

为此,在这项研究中,我们认为大多数颈动脉斑块超声图像在纵向视图stripe-like结构,并提出了MSP颈动脉斑块的分类,这池使用多级剥夺了windows和形状特征图得到固定长度的输出,然后送入完全连接层。MSP不仅继承SPP的优点,可以接受任何大小的输入图像,但也扩大接受域和最大有效地捕获远程上下文在纵向视图来提高分类的准确性。

我们工作的主要贡献可以概括如下。

我们调查SPP模块的设计,提出一个MSP模块,继承了SPP的优势,可以接受任意的输入图像大小和克服的局限性SPP更有效地捕获远程环境,提高分类的性能。

此外,我们提出了一个自动和可靠的分类MSP-based CNN的颈动脉斑块回声,并达到显著改善基线VGG16, SPP-based CNN,和其他受欢迎的CNN和使高效稳定颈动脉斑块的估计,以便医生能做合适的诊断方案。

大规模临床颈我们数据集建立了颈动脉斑块分类。1463数据集包括颈动脉斑块我们图片,包括三个不同的颈动脉斑块类型根据他们的回声。每个颈动脉斑块在这个数据集分类标签和对应的感兴趣的区域(ROI)。

本文的其余部分组织如下。部分2介绍了数据集的准备,SPP的结构模块,提出了MSP模块,MSP-based CNN。部分3描述了实验装置,利用分类指标,并给出了实验结果和讨论,并给出结论4。

2。材料和方法

2.1。数据采集和准备

2.1.1。数据采集

在这项研究中,共有1463名美国患者颈动脉斑块图像,从925年在武汉大学中南医院专家几十年的经验在血管成像的超声波检验师。一个Acuson SC2000(德国西门子,埃朗根)我们系统配备了5 - 12 MHz线性阵列探测器(9 l4)被用来获得颈动脉图像。本研究机构审查委员会批准的医学院(IRB),武汉大学和书面知情同意是获得所有的病人。在收购过程中,受试者仰卧位,头倾斜。探测器定位垂直于每个病人的颈部,沿颈动脉缓慢移动。颈动脉斑块被确认后,纵向的图像共同颈内动脉和颈动脉斑块。

2.1.2。数据准备

(1)图像正常化。颈动脉图像变化由于不同的外表形象收购取决于设备,运营商,耐心,和我们机器设置。因此,重要的是要开发方法,可以解决表象的变化组织在美国图片。传统上,图像正常化是用来克服这种限制,即。,by transforming the image data such that the same tissues have approximately similar intensity values. In this paper, the proposed deep learning network can extract high-level features from carotid US images; therefore, these features are less sensitive to image normalization. To improve the comparability of the images and the reliability of our results, we applied a linear scaling operation between the minimum and maximum values of the images as a standard processing method for normalization (without the need for any user interaction). The normalization formula is defined by ,在哪里的像素值图像和颈动脉斑块我们吗和是颈动脉斑块的最小和最大像素值我们图像,分别。

(2)Groundtruth数据。groundtruth数据生成根据欧洲标准的颈动脉斑块研究小组,颈动脉斑块回声分为三种不同类型:echo-rich,中间,和echolucent [31日]。这种分类是由一个专家医生(fw)合著者至少有十年的经验使用颈动脉粥样硬化的评估我们图片,第一次将被1463个斑块分为三组根据他们的回声(echo-rich,中间,和echolucent),三个月后重新分类。kappa值( )计算表明这两个分类有很高的intraobserver协议。232年有争议的斑块,王博士分类他们第三次,然后花了两三个结果,最终结果是一致的。最终,groundtruth数据包括335 echo-rich斑块,405中间斑块和723 echolucent斑块之间的所有1463个斑块图像。

(3)手动分割斑块。由于获得大尺寸的图片,这一事实外每个斑块不包含关键的相关信息,斑块的边界是手动为每个图像描述同样的专家医生,然后,包含分割斑块的ROI是保存,如图1。颈动脉斑块的自动分割方法正在研究我们实验室的另一位成员32]。因为细分并不是这项研究的重点,手动分割结果作为roi。这些包含斑块大小不同的roi,最大尺寸 ( )和最小的一个 ( )。表1显示了每个类样本的统计分布和大小进行训练和测试获得的5倍交叉验证。

2.2。空间金字塔池(SPP)模块

之前描述MSP的设计,如图3,我们首先简要回顾SPP的结构模块。在这个模块中,池与金字塔的操作执行 箱子的特征图获得最后一个卷积后层的大小 。池滑动窗口的大小 ,和跨越 ,在哪里和表示天花板和地板上操作。的输出 - - - - - -级金字塔池层可以被计算 ,在哪里是过滤器的数量在过去的回旋的层,然后呢表示程度的垃圾箱金字塔的汇聚层。作为一个例子,一个三级金字塔池层 结果14箱。最后,输出的三层金字塔池层是获得连接 fixed-dimensional向量和输入到完全连接层得到分类结果。

2.3。多级地带池(MSP)模块

SPP可以生成一个固定长度的代表,并不依赖于输入图像的大小。然而,这池使用方形窗口收集上下文特征图谱,这将不可避免地含有污染信息无关的区域。特别是长条目标,如颈动脉斑块的纵切面颈动脉超声图像。因此,灵感来自[33),我们设计了一个新颖的MSP模块来缓解上述问题。它使用多级strip-shaped窗口扩大接受域并执行地带池允许远程上下文的集合,如图4。

我们的大小从以前的卷积获得特征图谱层 (数据集的样本大小)。在水平地带池 条,我们采用自适应平均池内核 和步 获得输出。内核 和步 可以计算如下:

然后, - - - - - -执行水平地带池操作地图上每个特性(每个滤波器的响应)使用strip-shaped窗口的水平或垂直维度。类似的可以同空间金字塔池、输出向量后- - - - - -水平带阿宝可以写成

在这里,是水平的数量,和表示的过滤器中最后一个卷积层骨干网络。因此,输出向量的个数后获得上述地带池操作所有功能是固定的地图。MSP层池特性和生成固定长度的向量,然后送入完全连接层进行颈动脉斑块的分类。作为一个例子,一个三级片池层条 在水平维度的结果6条。然后,我们连接的输出获得三级片池层 fixed-dimensional向量和输入到完全连接层的分类。

应该注意的是,图4只显示多级地带池在水平维度。事实上,每个特性映射可以汇集MSP模块使用多级地带窗口中的所有特征值平均水平的,垂直的,或两个维度。在图像分类,我们可以灵活地选择水平,垂直,或两个维度多层次地带池根据图像中目标对象的结构特点。多级fixed-dimensional地带池操作的输出向量,其中包含全局和本地信息上下文。在这项研究中,因为我们收集的颈动脉斑块的纵切面颈动脉图像,我们远程上下文在水平维度更有意义。根据初步实验的结果,考虑到效率和轻量级的MSP模块,在这个工作中,我们采用MSP操作只在水平维度来捕获多级远程颈动脉斑块。例如,在图4的红盒子,向量有界输出通过池水平远程区域(红色框)封闭的地图使用的特性 在3级地带池。SPP相比,MSP认为使用长而窄的内核而不是方形窗口池、专注于获取远程环境水平维度和避免一些不必要的连接在垂直维度。此外,该模块是一个附加的构建块,可以插入任何网络的支柱。在下面,我们描述的结构提出MSP-based CNN对颈动脉斑块回声的分类。

2.4。MSP-Based CNN对颈动脉斑块回声的分类

VGG模型是最受欢迎的深度学习网络,因为它强化了认为cnn必须有一个深刻的网络层的分层表示的可视化数据是可能的。尽管许多后续工作改进VGG架构,在这项工作中,我们使用VGG网络用一个简单的结构为骨干建立MSP-based CNN。

的结构MSP-based VGGNet,如图5包括两个主要的组件。一个组件使用相同的5卷积和池块VGG16,除了池层最后卷积后层,它主要用于图像特征提取。每一块有多个卷积层(修正线性单元(ReLU)激活),它使用 过滤器与进步和填充的 max-pooling层2的步伐。卷积层滑动窗口的方式操作执行的输入颈动脉斑块图像特征提取任意地图任何规模的大小和生成功能。另一个组件是MSP模块,其次是完全连接层和Softmax层。MSP模块可以执行多级地带池获得特征图的任意大小来获得一个固定大小的特征表示,然后输入到完全连接层颈动脉斑块回声分类。

防止模型过度拟合,我们使用公开可用VGG16权重,对ILSVRC12挑战训练数据集和调整通过转移学习(34我们的目的)。与此同时,一个辍学层(35)被添加到网络之前最后一个完全连接层。前馈操作在网络与辍学方程所示(3)- (6)。在这里,伯努利随机函数生成一个0或1的向量。表示输入的向量层l,表示向量的输出层 。 和层的重量和偏见吗(35]。

3所示。结果与讨论

在本节中,我们实现MSP-based VGGNet对颈动脉斑块回声的分类收集的数据集,这是标签三种类型(echo-rich、中级,echolucent)。

3.1。实验装置

我们使用了一个开源的深度学习框架,PyTorch、训练和测试提出了网络和受欢迎的cnn做个比较。所有的培训和测试程序进行一个Ubuntu桌面个人电脑的英特尔64位核心19 - 10900 k的中央处理单元(CPU)和32 GB的随机存取存储器。英伟达RTX 2080 Ti图形处理单元(GPU)使用CUDA 10.1被用于加速度。

熵函数作为代价函数,并采用随机梯度下降法优化器(SGD)最小化代价函数(36]。迭代的数量是30,动量是0.9,和学习速率设置为0.001,降低了10倍后每6迭代。

在训练和测试阶段,我们使用批处理数据训练网络。批处理数据需要一致的所有维度,因为批处理数组需要被转换成一个张量在训练和测试阶段。因此,应该设置为1批大小当使用SPP-based VGGNet和MSP-based VGGNet接受具有任意大小的图像作为输入。

3.2。评价指标

网络的性能而言,颈动脉斑块分类精度评价、敏感性(回忆),特异性,精度和F1-score指标,定义如下: TP, FP、TN和FN代表真阳性的数量,假阳性,真正的负面,分别和假阴性病例。灵敏度的措施的能力,正确认识阳性病例,而特异性表示正确分类的能力负面情况。精度表示阳性病例的比例分为阳性病例,F1-score代表调和平均数的精度和召回和通常用于模型的优化精度或召回。

3.3。实验结果

我们设计了三个实验来调查不同层次的影响和池SPP和MSP模块并选择最好的展示模块的有效性MSP-based VGGNet分类的颈动脉斑块回声通过比较它与基线网络VGG16和SPP-based VGGNet,并比较它与其他流行的cnn。

3.3.1。选择水平和池的MSP和SPP模块

验证的数量水平和池是否会影响实验结果,我们探索的影响4层带池层条 ,即msp - 1234和三个三级片池层条 , ,和 ,即msp - 123、msp - 124,分别和msp - 234。表中描述的设置和输出2,结果呈现在图6(一)。msp - 123的精度达到0.921,也略高于在其他情况下。更高级别,比如在msp - 1234,或者更多,比如在msp - 124和msp - 234,提供很少的性能收益。这可能是由于足够的远程信息收集与msp - 123。

类似的池配置应用SPP-based VGGNet。一层4层SPP池 ,即SPP - 1234和三个三级SPP层不同池 , ,和 ,即spp - 123, spp - 124和spp - 234,分别验证在SPP-based VGGNet。也显示在表使用的设置2。结果在图6 (b),这表明spp - 123的准确性也略高于在其他情况下,尤其是在时代的开始低于7。精度没有明显差异的其他两个池的三级空间金字塔池层和4层空间金字塔池层。

结果,关于运行时的成本,我们采用了三级片池层的地带 在MSP-based cnn, msp - 123和一层三级SPP的池 在SPP-based cnn, spp - 123作为默认设置在接下来的实验。

3.3.2。的有效性MSP-Based VGGNet

我们证明的有效性MSP-based VGGNet对收集到的数据集的分类颈动脉斑块回声。5倍交叉验证过程适应获得更公正的和公正的结果。评估的性能提出MSP-based VGGNet,我们比较的基线VGG16网络和SPP-based VGGNet,结果如图所示7和表3和4。从图7,可以看出该MSP-based VGGNet获得最高的准确性,测试过程稳定和快速聚集。

在我们的数据集获得的性能指标除了精度如表所示3和4,在那里 , ,和代表网络的敏感性echo-rich斑块,中间斑块,echolucent斑块,分别 , , , , , , , ,和表示各自的特异性,精度和F1-scores。代表总体均值分类敏感性,相结合 , ,和三种不同类型的斑块, , ,和代表相应的总体意思是特异性、精度和F1-score,分别。

表3和4表明我们提出MSP-based VGGNet执行比VGG16 SPP-based VGGNet分类三种类型的斑块。echo-rich斑块,意味着敏感性MSP-based VGGNet根据5倍交叉验证 %,这超过了VGG16和SPP-based VGGNet 17.9%和1.1%,分别。的意思是特异性,精度,F1-scores也高于VGG16和SPP-based VGGNet。这一发现也明显中间斑块。echolucent斑块,尽管VGG16提供最好的灵敏度( %),相对较低的特异性( %),精度( %),F1-score ( %)。相比之下,我们的MSP-based VGGNet不仅提供了世界排名第二的敏感性( %),这是非常接近最好的灵敏度( 与它们之间没有统计上的显著差异(%) ),还获得了最佳特异性( %),精度( %),F1-score ( %)。此外,总体平均的敏感性 %,特异性 %,精度 %,F1-score %通过我们MSP-based VGGNet高于VGG16和SPP-based VGGNet,也演示了该方法的优越性。

最后,比较这三个测试网络的训练和测试时间提供了表5。可以看出,最少的时间由我们MSP-based VGGNet在训练和测试阶段由于它拥有更少的参数和降低了计算成本。

3.3.3。分类与流行的cnn

图8显示了我们提出的比较网络与几个受欢迎的cnn。显然,我们MSP-based VGGNet实现精度高于0.9,这是更好的比所有流行的网络。几乎与此同时,我们建议网络聚合后5测试集上的时代,速度比其他网络,训练过程更稳定。在受欢迎的cnn相比,他们有类似的分类性能。ResNet50精度略高,而最新EfficientNet-b7精度略低。这表明它不是更复杂的网络架构,更好的分类性能。我们专门设计的网络有更简单的结构,但应该更适合特定的医学图像的分类比复杂的重量级网络的一个小数据集。

图9显示了ResNext50的混淆矩阵(37],DRN-d22 [38],MobileNet-v2 [39],DenseNet121 [40],EfficientNet-b7 [41],MSP-based VGGNet分类的三种类型的颈动脉斑块使用5倍交叉验证。从图9,很明显,我们的提出的网络提供了最好的分类率三种类型的斑块。所有的cnn获得同样高的正确分类率(从0.903到0.927)echolucent斑块,但分类率MSP-based VGGNet echo-rich和中间斑块明显高于那些流行的cnn。特别是中间颈动脉斑块,很难区分,提出网络达到0.876的准确性,而准确性最高DRN-d22获得的流行的cnn是0.766。这类的准确性MobileNet-v2低于0.700。虽然EfficientNet-b7第二最高识别率达到0.852 echo-rich斑块,这是比我们低10.7%提出网络。与此同时,它在中间斑块的分类表现不佳,这是不是30.9%的中间斑块echolucent斑块,并提供最低的0.582的识别率中间斑块中流行的cnn。总的来说,我们MSP-based VGGNet提供了最佳的分类结果颈动脉斑块回声增强的分类。

与传统方法比较,所有1463的GSM和AUCPDC值计算图像灰度分布的基础上,然后,他们利用支持向量机(SVM)分类器分类根据三种不同类型的斑块。然而,获得的结果是贫穷和没有显示在这里。

4所示。讨论

颈动脉斑块回声的准确和客观的分类是中风的关键风险评估和规划的最佳治疗策略。在这项研究中,我们提出MSP-based CNN对颈动脉斑块回声的分类,不同于以前的工作。特别是,以前的分类方法(16- - - - - -19)确定不同类型的颈动脉斑块使用手工制作的特性,而缺乏能力达到更高的性能可能因无法全面代表颈动脉斑块的复杂特性。同时,获得这些手工制作的特性需要专业领域知识和人工干预,这限制了该方法的适用性为其他分类任务。相比之下,该方法可以自动提取低收入和高级特性的大规模的颈动脉斑块和服务分类目的而无需人工干预,表明该实用程序在研究和临床研究。与流行的CNN相比,该MSP-based CNN可以接受任意大小的颈动脉斑块作为输入,而受欢迎的CNN需要输入图像转换成一个统一的尺寸裁剪和缩放,这将导致损失或内容失真,因此有一个负面影响分类精度。尽管广泛使用的小型网络也可以接受任何大小的输入图像,利用各向异性上下文信息的能力是有限的,因为只有广场内核应用形状。相比之下,我们的MSP-based CNN有几个优点。首先,它扩大的接受域地带池,更少的网络参数,导致更少的计算成本。其次,考虑到超声波图像颈动脉斑块的纵切面通常stripe-like结构和灰度分布是各向异性,提出MSP-based CNN采用多级地带池在水平维度获取更准确的背景下,这有利于改善颈动脉斑块的分类精度。实验结果表明,该MSP-based CNN优越的识别三种不同类型的颈动脉斑块比较流行的CNN和SPP-based CNN。

尽管我们取得了较高的分类精度以及计算效率,我们必须承认许多局限性。我们注意到中间斑块的识别率低于echo-rich echolucent斑块。这可能是因为复杂的形态和变化的中间斑块。我们可以考虑这部小说的关注更准确地捕捉信息的机制密切相关的分类任务,虽然消除一些无关的信息,以提高识别率。此外,groundtruth为本研究提供的只有一个专家医生与颈动脉超声数据几十年的工作经验。在后续研究中,groundtruth数据集的生成需要由多个来自不同机构的专家评价的敏感性提出了网络训练数据集,并确保结果可归纳的。此外,应至少5年随访患者和他们的颈动脉斑块应该重新分类确定斑块正在发生变化,并且相当不稳定,和病人的结果(即数据。相比,tia或中风)应该分类结果来确定这些数据可以使用临床风险指标。

5。结论

在这项工作中,我们调查了SPP模块的设计,提出了MSP模块,提出了MSP-based VGGNet改善分类性能对颈动脉斑块回声。一个5倍交叉验证被用来评估我们的网络的有效性收集临床数据集。与流行的cnn比较,实验结果表明,我们的网络更有效的正确分类的颈动脉斑块回声分成三个类型。因此,我们的网络可能协助临床医生使用一个更客观的风险评估指标对颈动脉斑块监控斑块变化和预测可能的脑血管事件。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(81571754)。

引用

1. g·a·罗斯·c·约翰逊,a Abajobir et al .,“全球、区域和国家10导致心血管疾病的负担,1990年到2015年,“美国心脏病学会杂志》上,卷70,不。1、1 - 25,2017页。视图:出版商的网站|谷歌学术搜索
2. e . j .本杰明·Muntner a阿隆索et al .,“eart疾病和中风统计- 2019更新:美国心脏协会的一份报告,“循环,卷139,不。10、pp. e56-e528, 2019年。视图:出版商的网站|谷歌学术搜索
3. j . Ge f . Chirillo j . Schwedtmann et al .,“筛选斑块破裂的血管内超声在冠状动脉疾病患者”心,卷81,不。6,621 - 627年,1999页。视图:出版商的网站|谷歌学术搜索
4. r . Kasliwal m . Kaushik h . Grewal编写,m·邦萨尔”的心血管风险预测:颈动脉超声颈动脉斑块,内膜-中膜厚度”《印度科学院的超声心动图与心血管成像,1卷,不。1,39-46,2017页。视图:谷歌学术搜索
5. 问:张先生,c, h·汉et al .,“时空量化对比增强超声颈动脉斑块新生血管形成的:相关视觉分级和组织病理学,”欧洲杂志的血管和血管内手术,50卷,不。3、289 - 296年,2015页。视图:出版商的网站|谷歌学术搜索
6. e . b . Mathiesen k h . Bonaa, o . Joakimsen”Echolucent斑块与缺血性脑血管事件的高危颈动脉狭窄,“循环,卷103,不。17日,第2175 - 2171页,2001年。视图:出版商的网站|谷歌学术搜索
7. g . Ruiz-Ares b·f p Martinez-Sanchez, e . Diez-Tejedor”预测模型在急性缺血性中风患者颈动脉粥样硬化斑块不稳定:建议和内部验证,”超声波在医学和生物学,40卷,不。9日,第1965 - 1958页,2014年。视图:出版商的网站|谷歌学术搜索
8. b . g . Nordestgaard m . l . m . Grønholdt和h . Sillesen”Echolucent rupture-prone斑块,”当前舆论Lipidology,14卷,不。5,505 - 512年,2003页。视图:出版商的网站|谷歌学术搜索
9. m . l . Grønholdt b . m . Wiebe h .劳尔森t·g·尼尔森和h . Sillesen t . v .施罗德“Lipid-rich echolucent出现在颈动脉斑块超声b型图像和可能与intraplaque出血有关,”欧洲杂志的血管和血管内手术,14卷,不。6,439 - 445年,1997页。视图:出版商的网站|谷歌学术搜索
10. 中村m . Hirano t、y Kitta et al .,“评估颈动脉斑块echolucency除了斑块大小增加颈动脉超声对冠状动脉事件的预测价值在冠状动脉疾病患者和轻度颈动脉动脉粥样硬化,”动脉粥样硬化,卷211,不。2、451 - 455年,2010页。视图:出版商的网站|谷歌学术搜索
11. 中村t、y Kitta m . Uematsu et al .,“臂的超声评估内皮血管舒缩功能除了颈动脉斑块echolucency预测冠状动脉疾病患者的心血管事件,“国际心脏病学杂志,卷167,不。2、555 - 560年,2013页。视图:出版商的网站|谷歌学术搜索
12. r·j·杜南a·j·道森,大肠Kyriacou et al .,”协会超声纹理和echodensity特性之间的双边颈动脉粥样硬化患者,”欧洲杂志的血管和血管内手术,46卷,不。3、299 - 305年,2013页。视图:出版商的网站|谷歌学术搜索
13. 诉Kotsis,公元Jamthikar t荒木et al .,“Echolucency-based表型在颈动脉粥样硬化疾病的糖尿病患者的危险分层,”糖尿病的研究和临床实践卷,143年,第331 - 322页,2018年。视图:出版商的网站|谷歌学术搜索
14. y老大n . Katakami h . Kaneto et al .,“颈动脉斑块的超声组织特征的效用在糖尿病患者心血管事件的预测中,“动脉粥样硬化,卷230,不。2、399 - 405年,2013页。视图:出版商的网站|谷歌学术搜索
15. m·k·萨勒姆·m·j·鲍恩r·d·塞耶斯et al .,“识别患者组织学上使用超声波颈动脉斑块不稳定斑块的图像分析,“欧洲杂志的血管和血管内手术,48卷,不。2、118 - 125年,2014页。视图:出版商的网站|谷歌学术搜索
16. Prahl, p . Holdfeldt g . Bergstrom b . Fagerberg j . Hulthe和t . Gustavsson,”怀特百分比:超声分类的新特性在颈动脉动脉粥样硬化斑块回声,“超声波在医学和生物学,36卷,不。2、218 - 226年,2010页。视图:出版商的网站|谷歌学术搜索
17. 张x, y, m .钱et al .,“颈动脉斑块回声分类结合纹理特征和形态特征,“超声波在医学杂志》上,35卷,不。10日,2253 - 2261年,2016页。视图:出版商的网站|谷歌学术搜索
18. 张黄x, y,孟l . et al .,“识别超声echolucent颈动脉斑块使用离散邻双峰伽马分布之间的距离,“IEEE生物医学工程,卷65,不。5,949 - 955年,2018页。视图:出版商的网站|谷歌学术搜索
19. 张黄x, y,孟l . et al .,“评价颈动脉斑块回声基于累积概率分布的积分使用灰度超声图像,”《公共科学图书馆•综合》,12卷,不。10篇文章e0185261 2017。视图:出版商的网站|谷歌学术搜索
20. k . Simonyan和a . Zisserman”大规模图像识别,很深的卷积网络”《IEEE计算机视觉与模式识别会议(CVPR)美国俄亥俄州哥伦布市,2014年。视图:谷歌学术搜索
21. c . Szegedy w·刘,y贾et al .,“要更深的曲线玲珑,”2015年IEEE计算机视觉与模式识别会议(CVPR)美国,页1 - 9,波士顿,MA, 2015。视图:出版商的网站|谷歌学术搜索
22. k . x张,他任美国,j .太阳,“深残余学习图像识别,”2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,NV,美国,2016年。视图:出版商的网站|谷歌学术搜索
23. h·格林斯潘、b . van Ginneken和r·m·萨默斯(lawrence Summers)“客人编辑深度学习在医学成像:概述和未来的一个激动人心的新技术的承诺,“IEEE医学成像,35卷,不。5,1153 - 1159年,2016页。视图:出版商的网站|谷歌学术搜索
24. m . h . Yu叮,x张“拉普拉斯算子eigenmaps网络外地意味着先生的图像去噪方法,”传感器,19卷,不。13,2918页,2019年。视图:出版商的网站|谷歌学术搜索
25. s . a . Alanazi m . m . Kamruzzaman m . n .伊斯兰教袍et al .,“促进乳腺癌检测使用卷积神经网络,”医疗保健工程卷,2021篇文章ID 5528622, 11页,2021年。视图:出版商的网站|谷歌学术搜索
26. a . Esteva b . Kuprel r . a .诺沃亚et al .,“Dermatologist-level皮肤癌与深层神经网络分类”自然,卷542,不。7639年,第118 - 115页,2017年。视图:出版商的网站|谷歌学术搜索
27. j . x梁,j . Yu廖,z . Chen“卷积神经网络对乳腺癌和甲状腺结节诊断超声成像,”生物医学研究的国际卷,2020篇文章ID 1763803、9页,2020。视图:出版商的网站|谷歌学术搜索
28. w·马,r·周赵y, y,和m .叮“斑块对颈动脉超声图像基于深层残留网络”Proc。IEEE 8日联合信息技术和人工智能国际会议(ITAIC)重庆,页931 - 934年,中国,2019。视图:出版商的网站|谷歌学术搜索
29. k . Lekadir A . Galimzianova A Betriu et al .,“卷积神经网络在颈动脉超声自动表征斑块成分,”IEEE生物医学和卫生信息学杂志》上,21卷,不。1,48-55,2017页。视图:出版商的网站|谷歌学术搜索
30. k . x张,他任美国,j .太阳”空间金字塔池深卷积网络视觉识别,”IEEE模式分析与机器智能,37卷,不。9日,第1916 - 1904页,2015年。视图:出版商的网站|谷歌学术搜索
31. 欧洲的颈动脉斑块研究小组,”转载文章“颈动脉斑块成分,与临床表现的关系表和超声波成像”、“欧洲杂志的血管和血管内手术,42卷,S32-S38, 2011页。视图:出版商的网站|谷歌学术搜索
32. r·周窗口,y夏,j·d·斯宾塞和m .叮“颈深上优于media-adventitia lumen-intima边界分割和三维超声图像,”医学物理学,46卷,不。7,3180 - 3193年,2019页。视图:出版商的网站|谷歌学术搜索
33. 问:侯,l, m m。陈,j .冯”地带池:反思空间场景解析池,”2020年IEEE / CVF计算机视觉与模式识别会议(CVPR),第4012 - 4003页,西雅图,佤邦,美国,2020。视图:出版商的网站|谷歌学术搜索
34. p . m . Cheng和h s Malhi“转移学习与卷积神经网络分类的腹部超声图像,”数码影像杂志,30卷,不。2、234 - 243年,2017页。视图:出版商的网站|谷歌学术搜索
35. n .斯利瓦斯塔瓦辛顿,a . Krizhevsky Sutskever,和r . Salakhutdinov”辍学:一个简单的方法来防止neuralnetworks过度拟合,“机器学习的研究》杂志上,15卷,不。1,第1958 - 1929页,2014。视图:谷歌学术搜索
36. l . Bottou f·e·柯蒂斯,j . Nocedal“优化大规模机器学习的方法,”暹罗审查,60卷,不。2、223 - 311年,2018页。视图:出版商的网站|谷歌学术搜索
37. 谢,r . Girshick p .美元,z,和k .他“聚合残余转换为深层神经网络,”2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页5987 - 5995年,嗨,美国,2017年。视图:出版商的网站|谷歌学术搜索
38. y费舍尔和诉Koltun,“多尺度背景下聚合由扩张的隆起,”学习国际会议上表示(ICLR)2016年美国圣胡安。视图:谷歌学术搜索
39. a·g·霍华德·m·朱b . Chen等人“MobileNets:高效移动视觉卷积神经网络应用程序,”相关系数,2017年。视图:谷歌学术搜索
40. 黄g . l . Van Der Maaten z . Liu和k·温伯格,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页2261 - 2269年,嗨,美国,2017年。视图:谷歌学术搜索
41. m . Tan和问:“EfficientNet:反思为卷积神经网络模型扩展,”机器学习研究的程序长滩,页6105 - 6114年,美国加州2019。视图:谷歌学术搜索

版权

版权©2021魏马等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。