文摘

在过去的二十年里,随着计算机技术的成熟和业务场景已经多元化,计算机系统在各行业中的应用的规模继续扩大,导致大量增加行业数据。对于医疗行业,已经积累了巨大的非结构化数据,因此探索如何更有效地使用医学图像数据有效完整的诊断具有重要的实际影响。在很长一段时间里,中国一直在努力促进医疗信息化的过程中,大数据的组合和人工智能等先进技术在医学领域已成为一个热门行业和新的发展趋势。本文侧重于心血管疾病和使用相关的深度学习方法,实现医学图像的自动分析和诊断,并验证AI-assisted医疗的可行性。我们试图实现一个完整的诊断心血管医学成像和本地化脆弱的病变区域。(1)我们测试了古典对象基于卷积神经网络和实验,探讨了区域分割算法,并显示其在医学成像领域的应用场景。(2)根据数据和任务特性,我们建立了一个包含分类节点和回归节点网络模型。多任务联合演习后,诊断和检测的效果也增强。摘要加权损失函数机制是用来改善之间的数据不平衡类在医学图像分析中,并增强模型的效果。(3)在实际医疗过程中,许多医学图像高级类别的标签信息,但缺乏低级病变的标签信息。 The proposed system exposes the possibility of lesion localization under weakly supervised conditions by taking cardiovascular imaging data to resolve these issues. Experimental results have verified that the proposed deep learning-enabled model has the capacity to resolve the aforementioned issues with minimum possible changes in the underlined infrastructure.

1。介绍

随着计算机的广泛使用和相关信息产业的快速发展,人们进入了信息化的时代。在各个行业应用系统的规模继续扩大,和行业数据生成的爆炸,就像一个金矿等待人们开采和使用的数据。目前,大量的非结构化图像数据被保留在医学领域,但存储数据的重用率仍需要改善。研究数据显示,超过80%的医疗数据来自医学成像,和70%以上的临床诊断需要医学成像。因此,如何更有效地利用医学影像数据来提高诊断效率和医疗水平是一个主要的挑战。

近年来,国家大力推进改革的医疗信息技术和人工智能等尖端技术的应用领域的医学诊断已成为新时代的选择。大数据和人工智能技术的帮助下,不仅可以诊断的诊断效率和精度得到改善和无数的病人被治愈的疾病,但也有助于提高医疗资源分布不均的现状,在我的国家。

如今,心血管疾病引起的死亡人数逐年增加,我国仍然是一个缺乏有效的治疗方法。易损斑块相关医学研究表明,心血管系统的许多心血管疾病的主要原因,以及当前的诊断心血管疾病主要取决于医生阅读心血管医学图像。此外,研究数据显示,医学影像数据的数量每年增加40%,而影像医生的数量只增长了4.1%。因此,人们迫切需要一种新的技术手段,可以更有效地自动化医学图像的分析帮助医生诊断和治疗。近年来,人工智能方法,络绎不绝的出现和应用程序在各种行业也蓬勃发展,特别是在与图像相关的字段,如图1、人工智能和医学成像的应用。的连续浓缩数据集和计算能力的发展,人工智能已经在多个方面取得了重大的进步与高精度视觉任务。目标识别的速度和检测已成为现实。炎热的人工智能的发展引起了大量的学者和研究人员进入这一领域,及相关技术细节和理论基础是不断提高。和不同于传统的机器学习,需要专业人士给特定的规则在处理图像,人工智能可以学习图像本身固有的有效的特征来提高模型的效果,这将大大减轻医生和专家的缺乏造成的困难在现实。因此,利用人工智能技术来解决问题的自动识别心血管病变的地区医学影像已成为我们的首选。目前,人工智能诊断准确性深入学习算法对于一些医学成像病变已经超过平均水平的医生的诊断和AI-assisted医疗并非遥不可及。和一直都有相关的研究在医学图像自动识别病变区域,提高准确性和减少对专家的时间看电影。即使在1995年,是第一个辅助诊断系统,利用卷积神经网络自动识别结节在x射线图像1]。在过去的两年里,也表明神经网络诊断水平,超过许多医学图像分析领域的医生和专家,如使用脑部CT图像检测颅内microhemorrhage和DeepLung [2)网络结构来检测肺结节。前一段时间,安德鲁·Y。NG和其他人提出CheXNet [3),它使用胸部X图像检测肺炎,大大鼓励深度学习的应用研究领域的医学图像分析。

在本文中,我们专注于心血管疾病和使用相关的深度学习方法来实现医学图像的自动分析和诊断,并验证AI-assisted医疗的可行性。本文给出的科学贡献如下:(我)深learning-enabled方法是用于实现医学图像的自动分析和诊断,并验证AI-assisted医疗的可行性(2)加权损失函数机制是用来改善之间的数据不平衡类在医学图像分析中,并增强模型的效果。(3)提出系统暴露的可能性病变定位弱监督条件下通过心血管成像数据来解决这些问题(iv)实现这一成就,我们已经测试了古典对象基于卷积神经网络和实验,探讨了区域分割算法,并显示其在医学成像领域的应用场景

剩下的纸是根据下面的议程安排。

在随后的部分,也就是说,在部分2和3,详细分析现有的先进的研究,其次是该模型详细描述。此外,该模型是如何形成和工作机制在这一节中解释。节4,给出了实验结果,并对比分析报告。最后,给出了结论和相关的引用。

2。相关工作

由于医学图像扫描和计算机存储技术的出现,人们一直致力于自动图像分析系统。基于规则的决策系统开发了自1970年代以来,通过筛选和提取边缘和线特征的数学建模和分析图像根据人工规则。在1990年代末,监督学习方法开始出现使用训练集,训练模型利用特征提取,和统计学习方法,导致计算机辅助诊断。由于手工特征提取的限制,基于层次结构的神经网络模型被开发和应用于医学图像分析在1995年由罗(4]。

尽管神经网络发达,他们没有在他们的早期吸引太多的注意。由于计算能力的限制和理论研究的不成熟,早期神经网络很难训练,直到AlexNet [5)ImageNet赢得冠军,6]2012年,AI深学习算法再次来到这个行业的关注。经过多年的研究和开发,深度学习技术已广泛应用于目标探测领域。CascadedRCNN [7)结构提高了预测通过级联多个目标探测网络基于不同借据阈值确定积极的和消极的训练集样本和取得最好的检测结果在多个公共数据集。Des (8)网络结构成功地提高了浅层语义表示网络特性,通过引入语义分割在低水平监测信息,然后改进模型对小目标的检测效果。不同于大多数目标检测算法检测目标图像中独立,胡锦涛et al。(9)提出了一种新颖的网络结构,可以提高检测的性能通过学习目标之间的关系。此外,为了解决这个问题引起的丢失细节信息五将采样过程在目标探测和语义分割网络的网络框架DetNet [10]减少了两次将采样过程,介绍了“洞”卷积增加模型的认知领域,这提供了一个有效的参考研究骨干网络结构,特别适用于检测和分割。

在心血管领域的医学图像分析、人工结果技术的应用有着悠久的历史。2017年,来自斯坦福大学的研究小组使用人工智能算法来分析心电图并最终超过三个专家识别他们的平均值。徐教授的电脑在2018年团队开发了一个系统,人工智能基于深度学习可以成功地用于识别冠状动脉血管造影狭窄。霍和山11]分析了广泛应用前景的监督学习和无监督学习人工智能在心血管疾病的诊断。曾庆红et al。(12)完成冠状动脉CTA图像的自动、准确标识;用人工方法相比,它更有效率和更完整。基督教付款人(13]提出了ConvGRU深度网络结构,达到的最高水平心脏MRI分割。

由于医学图像分析任务的复杂性和标准数据的缺乏,多任务学习方法已广泛应用于医学图像分析。基于脑疾病诊断和临床评分之间的相关性,刘et al。14)提出了一种多任务、多通道DM2L网络结构。克莱门特et al。15]U-Net改善,添加了一个解码分支,并完成了明亮和红色分类领域的眼底图像,实验结果表明,多任务联合训练方法可以实现更好的结果比单个的分支网络。秦et al。16)提出了一种网络结构基于心脏图像序列的同步检测和分割心脏运动,和实验结果表明,特征提取的多任务训练方法是互补的。提出的Y-net Mehta et al。17)同时包含诊断分支和输出分支,并已取得最好的结果乳腺组织的医学影像数据集参数的数量大量减少。

医学图像分析领域的,总有一些问题,如缺乏准确的数据或不确定性标签,因此有必要研究弱监督学习的应用在医学图像分析。与深度学习人工智能技术的兴起,许多任务在图像分析中,如目标描述和焦点位置,需要更多的信息标签。Izadyyazdanabadi et al。18)提出了一种基于多尺度特性的弱监督学习方法地图融合使用训练集只包含层次注释信息完成继续教育的兴趣区域的分割图像数据88%同期比其他方法更精确。为了解决图像数据少的问题和更多的噪音在现实世界中,纳瓦罗et al。19)提出了一个WSL网络结构来解决这个问题更多的噪音在网络爬行图像数据,它提供了一个参考国外数据引入神经网络的训练过程。DEEPEM网络模型基于EM算法的朱et al。20.]。它成功地借用了电子病历,提高监测数据疲弱卢娜16个数据集的结果分数1.5%。

虽然深度学习已经取得了很大的进步领域的医学图像分析,使用人工智能在医学影像诊断也能带来很多好处,如提高诊断效率,提高诊断的准确性,和缓解医疗资源,但仍然存在许多问题。首先,缺乏医疗数据足够精致标签。一是医疗数据标签需要由专业人员完成,另一个是,很难分享在这个阶段。我们都知道深度学习是一个数据驱动算法,相关数据的缺失必然会阻碍医学人工智能的进展。其次,使用深度学习模型的智能系统来完成诊断仍缺乏可解释性。虽然功能深度学习模型的可视化研究进行下去的时候,它仍然具有黑箱本质的特征。特别是在医学诊断领域,诊断的结果是与病人的身心健康,因此,模型的解释能力是非常重要的。

3所示。该方法

3.1。基于人工智能的医学图像分析

利用人工智能的具体执行过程解决实际问题很复杂,但它的基本原理是非常简单的。首先,各种各样的传感器或手动输入用于收集大量的相关数据存储在计算机中。其次,适当的统计学习或深度学习算法用于模型和分析现有的数据根据具体问题。最后,计算机计算各种可能在真实应用场景根据收集到的当前数据和模型,然后输出概率最高的决定。的过程中使用深度学习技术来解决医学图像分析的问题是相同的。完整的系统包括一个基本层、技术层和应用程序层。基本的物理设备层主要由底部模型计算和数据存储层。技术层使用各种类型的深度学习算法建立模型,形成有效的核心技术。应用程序层形成的产品和应用的结合人工智能技术和具体的应用场景。

如图2,深入学习算法取得了远优于传统的图像处理技术在图像分类、目标探测和语义分割。医学图像分析已经成为许多严重疾病诊断的主要方法,但仍有许多问题领域的图像诊断在中国,如严重缺乏有经验的医生,图像分析速度慢,误诊率高。医学图像是由特殊的成像工具,本质上是图像分类。与一般的RGB图像相比,医学图像数据标准更统一,而且没有迁移问题在应用到实际的场景。因此,它具有十分重要的现实意义,应用技术,如图像分类和目标探测领域的深度学习解决问题,如疾病诊断和病变位置领域的医学图像,提高诊断效率。

3.2。深度学习相关的技术基础

3.2.1之上。卷积神经网络的基本结构

与普通的前馈神经网络相比,卷积神经网络(CNN)在图像处理具有明显的优势。AlexNet网络结构作为一个例子,CNN卷积等主要包含结构层,最大池层、连接层,激活和非线性映射,其中卷积结构是关键结构的卷积神经网络对图像特征提取能力强。卷积操作过程如图3。

在上图中,卷积核的大小2×2幻灯片的特性与步长图2的乘法和求和操作完成相应的位置,然后获得下一层的特性图。与完全连接层相比,卷积操作大大减少了网络模型参数的数量,从而降低过度拟合的风险通过当地的感知和重量共享操作。

非线性激活映射到多层神经网络引入了非线性因素和提高适应能力的模型的表达式。一般来说,激活功能需要有以下属性:非线性、单调性、可微性。非线性特性使得神经网络更富有表现力,可以适合任何非线性函数。单调性保证了单层网络是凸的。可微性保证了正常运行期间梯度反向传播模型的优化。常用的激活函数包括乙状结肠和ReLU,定义为所示(1)和(2)。与乙状结肠函数相比,ReLU函数简单计算和快速收敛的优点,因此它是用于实验。

3.2.2。学习神经网络转移

深层神经网络模型包含大量的参数。如果数据是不够的,它很容易导致过度拟合的问题。然而,在实际应用场景,很难有足够的数据来训练一个深层神经网络模型的初始状态。因此,有必要应用的想法转移学习领域的深入学习。具体来说,我们通常用经典的大数据集通过pretraining ImageNet得到初始化参数,然后将它们应用到新的数据集训练。更少的参数更新后,我们得到了网络模型适用于新数据集。这种训练策略被称为神经网络微调。微调过程如图4。

学习神经网络传输的应用效果取决于很多因素,其中最重要的是新数据集的大小和内容特征的相似性之间的新的数据集和源数据集。一般来说,浅层次的深层神经网络提取通用的功能,如图像纹理、颜色、边缘、角落,和其他基本的图像元素,这对不同的数据集具有一定的普遍性。然而,高级网络是用于提取更抽象的和全球的特性,比如猫耳朵,狗的耳朵,和其他功能元素,通常只适用于特定的训练数据集。这里有一些主要的场景中,我们使用转移学习深入学习:(1)新数据集的大小小于源数据集,但两个数据集的内容是相似的,这是最常见的情形。一般来说,如果新数据集的规模太小,它可能导致过度拟合的问题,这是不利于微调卷积神经网络。我们的一般方法是首先使用pretraining模型参数初始化网络,然后解决浅层参数,学习高级特性的参数提取器和输出层。(2)新的数据集有一个大规模的内容与源数据集和一些相似之处。在这种情况下,有足够的数据,我们可以尝试更新整个网络参数学习速率。(3)新的数据集规模较小和无关的源数据集的内容。在这个场景中,转移的学习效果可能不明显。一般来说,我们只更新网络输出层的参数优化,防止过度拟合的模型为少量的新数据。(4)与原始数据集相比,新数据集规模比较大,但在内容上有很大差异,比如从RGB图像数据集迁移到医学图像灰度。在这种情况下,如果新数据集足够大,我们可以从头开始训练一个网络模型。然而,在实践中发现,尽管图像数据集的内容是无关紧要的,培训从加载pretraining模型更有利于模型比随机初始化收敛。因此,我们将使用pretraining模型参数初始化更新整个网络模型参数通常根据损失的变化。

当然,转移的应用神经网络的学习也有一定的局限性。因为我们的新的模型参数需要对应于源模型的参数,我们的新网络模型架构需要符合源模型。例如,我们不能改变卷积核的大小和数量的基础网络层或任意改变特征通道的数量等等;否则,迁移参数的值可能会丢失。此外,由于卷积参数的共享,我们可以应用卷积网络pretraining模型输入不同大小的图像。这是明显的卷积和汇聚层,但它仍然是真正的完全连接(FC)层1×1的帮助下卷积操作,因为完全连接层和卷积层可以转化为彼此。

3.3。弱监督学习

在现实场景中,很难获得足够的和准确的注释数据,和深度学习模型需要大量的数据,所以深度学习的能力模型通常是数据集的大小限制。此外,一些专业的数据集需要特殊人员收集和注释,如医学图像数据。此外,由于专业水平之间的差异不同的注释器,提供的标签可能是不一致的,这可能会导致模型训练的失败。

一般来说,弱监督学习是相对于完全监督学习和无监督学习。监督学习是训练数据和标签的高信心满足任务要求,如分类与分类标签任务数据,检测任务数据类别和协调盒标签,并与像素分割任务数据集分类标签,以便模型可以完全安装完成输出任务通过培训。无监督学习意味着训练数据没有标签,和训练数据本身固有的学习特点,如聚类分析和self-coding网络学习。弱监督学习指的情况下获得标签不匹配的任务需求,或标签的信心是不够的,可以分为以下三个类别:(1)不完整的监督式学习:只有少数地区大量的训练数据标签,和大量的样本没有标签。(2)不准确的监督式学习:有噪音,甚至错误的数据标签。(3)不严密的监督式学习:数据标签的粒度太大,不符合要求的任务。例如,只有图像分类标签给出了目标检测的任务。

在实际场景中,医学图像通常有分类标签但缺乏病变位置标签。然而,医学图像注释需要专业的医生和专家来完成,从而导致大规模数据的高成本reannotation方案。在医学诊断领域,模型的解释能力尤为重要,所以自动医学图像分析通常需要完成病变的分类。因此,它是有价值的研究下病变的定位不确定监督。

4所示。实验和讨论

4.1。实验数据和预处理

心血管医学成像的实验数据在这项研究中都是由中国科学院的一个研究所。有1000个正负样本,图像大小为350×7200。正样本图像包含一个或多个损伤区域与不确定的大小,而负样本图像不包含病变区域。每张图片都有对应的类别标签,阳性样本病变区域标签是左和右横坐标的值。一般来说,脆弱的斑块纤维帽厚度< 65μm和脂质核心面积> 30%。我们的任务包括两个部分:决定一个给定的图像是正常的,检测病变部分的横坐标范围。不同于一般的图像分析任务,这个主题具有以下特点:(1)本文的实验数据都是单通道灰度图像采取医学成像仪器,用相对简单的图像内容和缺乏明显的结构特点。然而,常用AIexNet等基本网络模型和VGG [21ImageNet等)是由RGB训练数据集,因此初始化效果不明显的通过直接使用pretraining模型参数。(2)只有2000件实验数据在这篇文章中,有一个高度的相似性图像和大量的冗余信息。训练一个网络模型与高复杂性会导致过度拟合问题。(3)虽然数量的正负样本实验数据是一致的,病变区域的面积远小于正常区域的病变区域的定位任务,也属于quasi-imbalance问题,这很容易导致神经网络学习的偏见和影响的判断影响实际产出。(4)病变区域定位任务需要获得的横坐标间隔对每个图像病变区域,即,X₁,X₂]、[X₃,X₄),等等。

事实上,病变区域划分属于语义分割的范畴,但是我们的标签只有没有进行像素级的横坐标范围值标签。根据现有标签的特点,我们简化了细分任务到回归任务单列标签值的像素,相当于标签0 1像素的每一列表示他们是否属于病变区域。首先,我们需要改变病变区域的坐标范围为720 -维0,1标签向量。其次,我们的图像数据从极坐标转换生成的圆形扫射的成像导血管腔;也就是说,最左端和最右端图像应该连接在一起。没有完整的连接层网络结构,和我们的目标是得到一个标签向量相同的横向长度由回归原始图像的输出。因此,一个特定区域的像素每一列需要预测列的标签。

从以上部分的分析,可以看出,由于图像数据的特点,分类网络反向传播信息较少,很难捕捉局部病变的特点。回归网络可以有效地实现损伤的分类,但缺乏整体的语义信息。因此,我们预计完成集成网络模型的图像诊断和病变区域划分,这不仅符合实际应用的要求,也实现了优势互补的多任务特征提取能力。事实上,联合训练的思想有着悠久的历史,如经典的目标探测框架更快RCNN [22和YOLO系列的意思23]。网络的输出包含区域坐标和区域类别。此外,实验证明,由不同的训练任务不同,图像特征提取和多任务联合训练方法可以增强模型的特征提取能力,提高检测和分类效果。两个分校网络模型主要由三部分组成:卷积层共享,网络分支分类和回归网络分支。其中,分类网络分支也使用全球平均池(GAP)而不是完全连接层,这不仅可以有效地减少网络参数的数量和摆脱限制网络输入的大小还帮助解决的问题模型的可解释性。应该注意的是,不同的2×2池层一般网络结构,根据实验图像数据的特点和网络传输需求,我们采用2×1池结构的一部分。

从表可以看出1,3×3的叠加卷积核是用来取代7×7和5×5卷积核,和多个非线性映射添加(24)在接受域保持不变的前提下,提高模型的特性的表达能力。在网络模型中,分类网络分支和回归网络分支分享第一个几个卷积层。此外,我们使用1×1卷积结构。1×1卷积结构提出的外祖母(25)可以实现信息的横渡英吉利海峡的融合,增加网络的非线性表达能力,并进行降维或通道尺寸维度增强特性,广泛应用于各种现代和先进的网络模型。为了满足需求的分支的输出回归网络,1×1卷积用来实现通道降维。

4.2。实验设计和结果分析

我们60%的数据集分为训练集,验证集,20%和20%的测试集。由于相邻图像之间的相似度高,收集的数据可能类似血管区域,所以重要的是随机的排列数据分割之前;否则,你可能会得到精度高,实际上是不正确的。最初的学习速率是设定在0.001,和亚当优化器(26)是用于培训70名世。模型参数保存损失值在验证设置时最低。

面对问题的不平衡造成的正面和负面的样本,方法如upsampling少量的样品或者downsampling各种样品通常采用,但他们会对检测结果有很大的影响,因此抽样方法是不可行的。改变阈值调整的方法分类输出阈值参数使其值小于0.5,尽管神经网络具有更大的可能性识别一个特定的区域作为一个病态的区域。加权方法调整损失的重量损失之间的积极的和消极的类别由λ参数。见公式(3),如果我们选择一个相对较小的λ值,输出点球地面真理是0时(27)将远小于真实值为1时,以鼓励网络输出非0的即使信号弱。在实践中,我们可以将两种策略和使用网格搜索方法和验证集hyperparameter找到最好的。本文检测效果的评估包括的信心水平,和阈值的变化会影响信心水平,因此,策略是采用加权损失。回归网络的分支损失函数设计如下:

根据验证集的测试效果,我们选择hyperparameterλ的值为0。0.5λ参数值不会改变平均损失,但通过观察损失的变化曲线在培训过程中,我们可以看到,添加类均衡机制可以使网络收敛更好。损失函数的曲线变化如图5。

在本节中,我们进行了几组实验,比较了改进dual-branch训练模型相结合的图像诊断和病变区域分类以AlexNet补丁分割方法为基准。同时,fppi-recall曲线分别绘制,它直接反映了我们的模型对召回率的改善效果的前提下确保准确性。如图6,在本节中,我们使用古典AlexNet和VGG分类网络结构为基准,使用精度作为评价指标比较结果的单个的分支full-convolutional分类模型和双支网络提出的分类结果。可以看出,网络深度和参数的数量的增加,VGG确实比AlexNet达到一个更好的分类效果,但增加非常有限。二分类,这样的精度仍然很低。为了适合dual-branch联合训练模型,我们提出一个分类包含2×1汇聚层网络。尽管参数的数量减少了很多,单独使用它的准确性也降低了。联合训练后,分类精度大大增加到82.50%。

总之,网络深度的增加在这个实验中没有带来很大的改善图像诊断速度。分析可以看出在前面的章节中,令人不满意的分类效果的主要原因是,病变区域的比例用来区分原始图像的图像是非常小的,也减少了反向传播信息。虽然简单的网络深度的增加可以提高模型的学习能力,它还带来了更多的网络参数。dual-branch模型大大加强的约束网络地方信息通过回归网络输出,使共享卷积层更好地捕捉关键特性,从而大大提高分类效果。另外,从实验结果可以看出,我们提出的加权损失函数策略提高了分类精度大约5百分点,有效减轻类之间的不平衡造成的问题。

如图7、块分割和卷积回归网络被用作基准在这个实验中,分数是用作病变的影响区域的评价指标分类比较dual-branch网络模型的影响。评分包括精确率、召回率,区域重叠的水平。可以看出,经典的块分割方法能有效完成任务的病变区域划分。我们使用一个长滑动窗口滑动水平反过来,处理和输出根据前面描述的合并策略。块分割在本质上仍然是一个分类结构,与大量的重复计算和低效率。因此,我们也比较回归网络基于卷积。回归网络有一定的改善效果,和dual-branch结构大大提高了病变区域分类的影响。尽管一些研究已经表明,分类网络本身可以捕捉空间位置信息在一定程度上,提高我们的模型的影响主要来自最终决定分类结果的影响。类似地,损失函数加权策略可以大大提高病变区域分类的影响。基于上面的分析,可以发现,类不平衡有很大的影响学习的网络模型。 It should be noted that the weight hyperparameters determined by the verification set in this experiment are not necessarily the best choice, but the improvement effect is obvious, which also provides a reference for us to deal with similar problems in the future.

在前面的小节中,我们比较不同模型的影响除以分数为病变区域。分数是一个相对科学的评价方法,结合三个评价指标:准确率、召回率,和区域重叠的水平。然而,由于医疗行业的特殊性,我们更将获得最高的召回率在保证准确率的前提下,也就是说,诊断疾病变异尽可能。因此,我们分别评估病变检测的召回率在不同模型和德鲁recall-fppi曲线如图8。可以看出,相比之下,传统的块分割法和回归模型的完整的卷积,dual-branch联合训练模型的召回率大大提高,和类别平衡策略也在一定程度上改善。此外,从整体来看,dual-branch模型加权损失函数策略提出的我们也达到了最高的召回率,进一步证明了该方案的有效性。

我们的模型是一个dual-branch结构包含分类结果和回归结果的输出,可以进行端到端学习并最终实现的整体诊断心血管成像和病变区域的功能部门。通过多组对比实验,证明了综合训练方法可以大大提高分类效果网络和回归网络没有大大增加参数的数量。此外,recall-coinπ曲线也可以证明dual-branch网络模型可以获得最高的召回率精度高速度的前提下,符合实际需求。此外,使用跨通道pretraining模型,逐步训练计划,和损失函数加权策略在实验过程中有很大的帮助对改进模型的效果。

5。结论

近年来,政府积极推动医疗信息的发展,先进技术的应用,如大数据和人工智能在医学领域已经成为一个趋势,不仅可以挽救无数病人的生命,也缓解紧张的医疗资源,和医患关系具有十分重要的意义。在现实中,很多疾病的诊断依赖于医疗成像技术,所以心血管医学图像的自动分析的内容基于深度学习符合时代的发展的需要,具有重要的现实意义。摘要心血管医学图像数据和任务特性进行了分析,特征提取和边缘地区成功地解决了使用戒指镶嵌图像预处理方法。接下来,我们提出一个联合训练网络分支分类和回归部门根据任务要求。通过共享一个卷积层局部特征的提取和使用回归网络,分类网络的诊断准确性大大提高,整个分类网络的决策能力也提高。此外,针对类不平衡问题在医学图像分析中,我们引入加权损失函数的策略,提高了网络的性能,为处理这类问题提供了一个参考。此外,我们已经完成了实验和研究心血管重点定位的算法条件下弱监督。在现实的情况下,没有足够的医学图像与丰富的标签,标签的这些数据只能由医生,所以它是有价值的研究在弱监督下病变的定位。基于凸轮理论,单一分类网络完成的任务定位心血管病变和有利于模型的可解释性。虽然精度小于总监督的条件下,证明研究弱监督学习的重要性。 In addition, we introduce SE and SA modules to further improve the performance of CAM detection, and the performance of the basic network model is universal.

数据可用性

使用的数据集和分析在当前研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

论文的概念被马矿区完成,并完成了数据处理羌族李和李建斌。所有作者参与了论文的审查。