文摘
客观的。这项工作旨在分析经阴道的手术时机和临床疗效的颈环结扎基于患者的超声图像聚焦检测宫颈机能不全(CIC)在超声图像主题生成模型。方法。134年中投病人来到医院超声成像诊断收集。观察组治疗宫颈环扎术(CC)和妊娠结局之后。对照组是保守治疗。结果。在对照组,患者平均胎龄为21.12±2.18周,平均宫颈长度(CL)是15.54±0.42毫米,和平均子宫口宽度为3.06±0.63毫米。观察组,平均胎龄为24.45±4.12周,平均CL是17.32±4.09毫米,平均子宫口宽度是0.21毫米。两组之间有显著差异( )。也有显著差异程度的子宫口扩张之间的两组( )。两组妊娠结局的比较,χ2和 显示显著差异。结论。卷积神经网络(CNN)和长期短期记忆模型(LSTM)算法被用来分类患者的超声图像,可以有效地提高诊断和治疗效率。手术成功率、临床结果新生儿存活率,临床疗效的观察组优于对照组。颈结扎是中投公司最好的怀孕17周之前执行。
1。介绍
患者宫颈机能不全(CIC)也被称为intra-cervix放松,通常指的是流产或早产由于解剖学或缺陷在子宫收缩不明显。据研究统计,中投是复发性流产的主要原因1]。目前,该病的主要临床症状是习惯性流产和早产引起无痛性宫颈扩张在第二或第三学期。疾病的复发率高达2%,这大约是健康的妇女的3.3倍。它占8% -9%的早产数据,和最高的自然早产率可以达到一半以上(2]。当前医学专家和学者并没有明确指出疾病的发病机制,但它是分为两种类型,结构不足和功能不足。结构功能障碍通常被称为先天性发育不全。功能不足通常指严重的颈椎损伤造成的外部影响,例如,在紧急劳动损伤子宫颈,钳,人工流产,或刮除术3]。如果不能及时治疗疾病,它会复发,有一定的对女性健康的影响和家庭(4]。中投公司在国际上目前没有明确、统一的诊断标准。只有两个主要治疗方法:一个是保守的保守治疗,另一种是手术治疗(5]。保守保守治疗主要是通过卧床休息,子宫收缩抑制剂的应用,和抗生素抗感染(6]。手术治疗主要是基于颈环结扎。颈环结扎目前中投的有效手术方法治疗,这在一定程度上可以提高围产期结果(7]。
随着现代科技的发展,深度学习渗透到计算机视觉领域的各个方面,和医学图像的分析和应用越来越广泛。许多专家和学者深度学习引入超声图像理解领域的(8]。在近年来的研究和发展,采用深度学习取得了好成绩在超声图像和逆行分类、分割和检测(9]。超声图像生成文本的主题一代技术信息,描述了超声波图像的内容和重点地区的疾病的特点通过算法。通过展示这些信息,没有经验的医务人员可以直接用生成的文本信息来观察和理解病变超声图像中的信息(10]。然而,仍然有一些缺点的分析内容的信息在当前的超声图像理解。更快地自动描述超自然的图像,图像主题生成技术介绍了工作,分类和解释信息损伤的超声图像(11更快地)。首先,卷积神经网络(CNN)是用来形成一个粗略的分类模型来识别靶器官的超声图像。然后,长期短期记忆模型(LSTM)是用来解码,最后,文本信息适合描述病变的超声图像区域的内容是(12]。
总之,话题一代技术基于深度学习超声图像广泛应用于临床治疗领域,也是当前研究的一个热点。基于,CNN和LSTM模型被用来理解和CIC患者的超声图像进行分类,综合评估的临床应用价值颈结扎治疗中投的病人。
2。材料和方法
2.1。研究对象
病人来到医院从2019年8月到2020年8月,被诊断为中投公司被认为为研究对象。总共134例了,他们在20到40岁之间。根据随机数字表法,患者分为观察组和对照组,每组67例。此外,从观察组40例组中选择一个,剩下的27个患者选择在b组的研究一直得到医院伦理委员会的批准。病人和他的家庭成员都知道的细节研究和签署了知情同意表格。
2.2。入选标准
入选标准:(1)患者的妊娠期达到14-28周,无阴道出血,手术可以执行;(2)患者诊断为中投;(3)住院患者由于早产或流产,子宫口超过1厘米宽,羊水囊是可见的子宫口。
排除标准:(1)子宫口太大,和堕胎是不可避免的;(2)生殖系统感染,泌尿系统感染,或全身感染的活跃时期,接受胎儿保护治疗前和明显的宫内感染;(3)不完整的患者临床病例资料;(4)严重的医疗和手术并发症和患者需要停止怀孕;(5)那些失访或研究受试者中途退出。
2.3。CNN和LSTM建设
当处理一些大的图像,传统的网络结构往往面临着三个缺陷信息丢失的特性,计算效率低,网络过度拟合。CNN可以处理得更好。CNN的结构基本上是由输入层、卷积层,ReLU层、汇聚层,和完整的连接层。核心网络层是卷积层,和大部分的计算是进行卷积层。它进行过滤学习,认识到一些特定类型的图像特性将被激活。它也被认为是一个神经元的输出,由于卷积“重量分享”(图的功能1卷积层),还可以减少网络结构的参数的数量和解决网络的过度拟合由许多参数。
之间通常有一个池层邻卷积层和回旋的层。池层减少了空间数据量的大小,这样就不会有太多的网络中的参数,以降低运行效率,导致过度拟合现象。有几个常见函数应用到汇聚层,但由于最大池效果最好,最大连接池是近年来常用的。在实践中,最大池层是常常重叠池,另一个更大的接受域池,在某种程度上破坏了网络结构。
线性校正函数(修正线性单元,ReLU),也称为修改线性单元,是一个常用的激活函数的人工神经网络。它通常指的是非线性函数所代表的斜坡函数和它的变体,即表示如下:
在CNN,线性整流是神经元的激活函数,它定义了非线性输出神经元线性变换后的结果。在实际操作中,应该选择最合适的ReLU函数作为神经元的激活函数。完全连接层(FC)是最后一层整个网络结构的CNN。它连接到其他网络层完全连接的方式(图2),它充当一个分类器在整个CNN。卷积的操作层、汇聚层,和激活功能层是将原始数据映射到隐层的功能空间,和完全连接层将学会了“分布式特性表征”映射到样本标签空间。
短期记忆(LSTM)是一个时间长循环神经网络。因为递归神经网络(RNN)通常有缺点,如长期依赖,LSTM开发来处理这个问题。LSTM包含LSTM块,通常被视为一种智能网络单元,然后可以记住那些未指明的价值观和判断输入图像足够重要的是记住,然后输出。
LSTM主要有四个核心单位,即记忆细胞,忘记门,输入,输出,如图3。最重要的是忘记门之一,其次是输入门,和最后一个是输出门。三个控制单元都包含两层相同的完全连接网络。
在LSTM,输入门主要涉及两种输入方法:一是直接操纵输入数据,另一个是输入的数据并将其存储在内存单元操作,如方程所示(2)和(3),分别为: 在哪里代表的数据输入 , 代表输入的重量,代表循环的重量(属于忘记门)代表输入的偏见。忘记门输入数据映射到区间[0,1]通过s形的函数。值为0意味着没有消息可以通过控制单元,而值意味着每条消息可以通过。内存单元钻是重复的记忆单元在不同时刻,需要调整时,由输入控制门,忘记门。输出门和忘记门以同样的方式工作。当该值为0,这意味着没有信息可以通过控制单元。值为1,这意味着每个信息可以通过。LSTM的工作原理是通过循环记忆重要数据的有效集成的网络结构和三个控制单元。
2.4。治疗方法
对照组是保守治疗,超声图像手动筛选。根据病人的怀孕周期和宫颈条件、不同子宫收缩抑制剂。怀孕前18周的患者给予静脉注射间苯三酚。采用盐酸羟苄羟麻黄碱对患者和怀孕20周之后。根据收缩,不同剂量被利用。怀孕26周后,静脉注射地塞米松促进肺成熟度。之后,患者主要是躺在床上,最小的时间起床,并定期随访是手术后。
观察组采用CC和超声波图像分类和CNN + LSTM模型算法相比,人工分拣,SDD300算法。40四十在A组患者观察组CC在17周的妊娠。二十7 B组患者接受了CC后17周的妊娠。一系列常规测试进行探测收缩和静脉注射抗生素之前或期间手术预防感染。手术后,常规药物抑制宫缩和病人应卧床休息。外阴应该保持清洁,碘载体应清洁如果必要,并定期随访是手术后。
2.5。观察指标
一般指标后观察两组患者的住院和治疗之前。指标如年龄、身高、体重、妊娠年龄、怀孕、生育,CL,子宫口宽度详细记录。同时,病人被问及他们的观念。患者接受治疗后,观察妊娠结果,分析两组患者的临床疗效。
2.6。统计分析
收集到的数据与SPSS22.0按Excel和分析统计软件。平均值±标准偏差(͞x±年代测量数据是如何表示,和百分比(%)计数数据是如何表示的。两两比较实现的方差分析。 表明在统计学上也相当大。
3所示。结果
3.1。比较三种算法的分类结果
图4显示了比较的敏感性、特异性、准确性,和三个算法的运行时间。的敏感性SSD300(单镜头MultiBox检测器)算法为90.12%,特异性为88.32%,准确性为91.67%,和运行时间(15.28±6.82)年代。人工分拣的准确性为75.28%,和运行时间(80.73±10.28)年代。CNN + LSTM算法的敏感性为98.27%,特异性为91.73%,准确性为97.72%,运行时间为(10.72±3.81)年代。CNN的敏感性、特异性和准确性+ LSTM算法明显优于SSD300和人工分拣和差异相当大( )。CNN的运行时间+ LSTM明显短于SSD300和手动排序( )。数据5和6给病人诊断为中投公司通过超声图像分类。
3.2。患者的一般信息
中投公司收集到的134患者,观察组的67名患者的平均年龄(31.5±3.78)岁,平均体重为(54.9±10.27)公斤,平均身高是(163.23±4.28)厘米(图7)。怀孕的平均数(3.02±1.11),平均生育数量(0.78±0.49),和堕胎的平均数(1.05±0.36)(图8)。平均妊娠年龄为(24.45±4.12)周。录取的平均宫颈长度(17.32±4.09)毫米,内部子宫颈入学的宽度是0.21毫米(图9)。67名患者的平均年龄在保守治疗组(29.14±5.45)岁,平均体重为(53.63±8.98)公斤,平均身高(159.12±4.75)厘米。怀孕的平均数(2.89±1.77),平均生育数量(0.11±0.47),和堕胎的平均数量是(0.79±0.54)。平均妊娠周为(21.12±2.18)周。子宫颈在录取的平均长度(15.54±0.42)毫米,和内部的平均宽度子宫颈在入学(3.06±0.63)毫米。
基于上述比较,两组患者在年龄没有显著不同,怀孕时期,出生时间和堕胎的数量( )。最初的子宫颈长度和宽度的内部子宫颈时承认,以及怀孕期入学比较,和观察组明显不同于控制( )。
3.3。比较两组之间的概念的方法
观察组,自然怀孕的47例,占70.2%,由辅助生殖和20例,占29.8%。治疗期间,宫颈没有打开66例,占98.5%,宫颈开了1例,占1.5%。50箱单有怀孕,双胞胎的17例,7例早产史的患者和60例病人没有早产的历史。在对照组,自然受孕的40例,占60%,27例辅助生殖技术受孕,占40%。治疗期间,59岁的病人没有宫颈口,占88%,和18例宫颈口,占12%。在对照组,52例单怀孕和15例双胎妊娠。有5个早产史的患者和62名患者没有早产的历史。没有相当大的差异表示组患者之间的概念、胎儿和早产史( )。在子宫口是否扩张的比较,观察组明显不同于对照组( )(数据10和11)。
3.4。比较两组之间的妊娠结局
接受调查的患者中,观察组40例在之前接受了CC组17周,与CC成功治疗36例,成功率为89.6%,4例失败,失败率为10.4%。在B组,治疗27例CC后17周。19例成功治疗的成功率为70.4%,和8例失败的失败率为29.6%(图12)。在对照组,成功治疗39例保守治疗,手术成功率为58.2%,28例失败,失败率为41.8%(图13)。对比两组患者之间的临床效果显示χ2= 27.539, ,显示相当大的差异。总之,观察组手术成功率较高17周妊娠之前,和17周后手术成功率略低,但两者之间无显著差异( )。观察组手术成功率明显高于与对照组( )。
观察组57新生儿成功存活下来,占85.1%,和10死亡,占14.9%。在控制中,40个新生儿存活成功,占59.7%,(图27死亡,占40.3%14)。对比两组新生儿存活率的患者组(建议相当大的差异 )。
3.5。比较两组之间的临床疗效
的临床操作成功率两组病人被延长胎儿肺成熟的48小时内有效治疗。观察组62例宫颈结扎治疗,有效率为92.5%,5例无效,失败率为7.5%。在控制中,保守治疗的有效病例数是44岁的有效率为65.7%,无效的病例数是23,无效的率为34.3%(图15)。之间的延长妊娠时间的长度对比两组患者的建议χ2= 40.182, 。观察组的有效率明显优于控制。
4所示。讨论
中投公司的失败是由于维持足月妊娠,子宫解剖或功能缺陷和流产的发生率增加。在这个工作中,CNN和LSTM模型算法建立了对患者的超声图像进行分类。发现CNN + LSTM算法的敏感性为98.27%,特异性为91.73%,准确性为97.72%,运行时间为(10.72±3.81)年代。其敏感性、特异性和准确性都明显大于SDD300和手动排序( )。算法的运行时间短的相对于SDD300和手动排序( )。王等人。13)相比,患者的妊娠结果未经宫颈治疗和那些经历了CC。患者的妊娠结果CC比没有宫颈癌治疗的患者。这是完全符合这项研究的结果。
在这个工作中,CNN和LSTM模型算法用于CC治疗。成功五十7例新生儿存活,占85.1%。观察组的生存率明显高于相对于控件( )。结果是符合报告结果麦克德莫特et al。14),中投CC是优于阴道孕激素增加新生儿的存活率。它表明执行CC的最佳时间是在14 - 18周的孕龄15]。接受调查的患者中,观察组40例,A组治疗前与CC 17周,36例成功治疗的成功率为89.6%,患者和4失败的失败率为10.4%;在B组27例CC 17周后,治疗19例成功治疗的成功率为70.4%,和8个患者没有29.6%的失败率。观察组手术成功率明显高于与对照组,这表明两组之间的显著差异( )。总之,观察组手术成功率较高前17th周妊娠,17周后手术成功率略低。结果宫颈结扎治疗更好。这个研究结果进行验证。
5。结论
在这个工作中,通过建设CNN和LSTM算法,CIC患者的超声图像观察组进行分析,研究CC手术的时机和临床结果。结果表明,使用CNN和LSTM模型算法分类患者超声图像可以有效地提高诊断和治疗效率。手术成功率、临床结果,新生儿存活率,临床疗效的观察组优于对照组。此外,CC的最佳手术时间对中投病人之前17周的妊娠。这个研究课题的缺点是所选择的病人样本量小和有一定的偏差。研究成果的应用范围也相对较小。在后续的研究中,病人的样本容量会增加,研究的范围将进一步扩大到探索CIC患者的临床治疗。简而言之,结果为中投的临床治疗提供一定的参考。
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。
作者的贡献
Xuekui你们和李张同样这项工作。