深度学习技术在胎儿超声心动图图像自动识别中的应用

目的探讨深度学习技术在胎儿超声心动图图像自动识别中应用的可行性。方法对YOLOv4模型进行改进,引入多级残差混合注意力机制模块(MRHAM),建立MRHAM-YOLOv4-Slim模型。选取青岛大学附属妇女儿童医院收集的2000张标准胎儿超声心动图四腔心切面图片建立实验数据集,将MRHAM-YOLOv4-Slim与多种学习模型进行图像识别的分析比较,验证该模型的有效性。结果本研究建立的学习模型能够更精确识别图像中的心腔结构,准确率为0.85,召回率为0.92,F1分数为0.88,平均精度为0.910。该模型具体识别左心房、右心房、左心室和右心室的准确度分别为0.87、0.93、0.86和0.89。结论本研究建立MRHAM-YOLOv4-Slim模型性能优越,可更准确的识别四腔心切面中心腔结构,接近超声医师识别水平,为人工智能在胎儿超声心动步图中的进一发展奠定基础。

基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型

针对阿尔兹海默症、病变(如脑肿瘤)和健康老化的3类脑部CT图像分类问题,本文提出了一种改进的ResNet-10卷积神经网络模型.该模型在网络的残差映射结构中加入残差混合注意力模块,解决了原模型提取的特征分辨性弱的问题,精确捕捉了脑部组织在CT图像中的位置和内容信息;此外,本文设计了全局平均池化层,简化了模型的复杂度,并在其后引入Dropout机制,缓解了过拟合.在训练阶段,该模型建立了标签平滑交叉熵损失函数,使模型在样本数量有限的情况下仍有较强的泛化能力.系列实验证明了改进后的ResNet-10网络模型在分类脑部CT图像时达到97.47%的分类精度.

一种新型语义网络分析模型对室间隔完整型肺动脉闭锁和危重肺动脉瓣狭窄胎儿右心发育不良程度的评价作用

目的分析评价一种新型语义网络分析模型SPReCHD:残差学习诊断系统模块(RLDS)和双路径链式多尺度门控轴心变压器网络模块(DPC-MSGATNet),在室间隔完整型肺动脉闭锁(PA/IVS)和危重肺动脉瓣狭窄(CPS)胎儿超声心动图四腔心视图数据集中评估右心发育不良程度分级的性能。方法回顾性收集2017年6月至2022年12月青岛大学附属妇女儿童医院350例24~28周胎龄的PA/IVS和CPS胎儿的1650张单幅超声心动图四腔心视图建立实验数据集。根据右心发育不良程度对建立的SPReCHD模型进行训练、验证和测试,评估模型精确度、召回率及F1值等性能指标;与高级医师基于超声指标、右心室形态及出生结局等多维度信息对测试集做出的评估结果进行比较,采用Kappa检验观察评估的一致性。结果SPReCHD模型在训练集、验证集及测试集对右心发育不良程度分级评估的精确度分别为93.82%、94.34%和94.68%,召回率分别为90.54%、91.38%和90.89%,F1值分别为92.10%、92.82%和92.67%。在测试集中,SPReCHD模型与高级儿童心血管医师评估结果一致性良好(Kappa值=0.724,P<0.001)。结论SPReCHD模型在训练集、验证集及测试集对右心发育不良程度分级的评估性能优异。该模型对PA/IVS和CPS胎儿右心发育不良程度分级评估水平与高级医师评估结果一致性好,为进一步提出精准评估标准奠定基础。