期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于VGG的慢性鼻窦炎分类模型研究
1
作者
张宁
马瑞霞
+8 位作者
任海玲
申学良
贺娇
赵玉桐
杨凤霞
刘铭
王乐
章峪侨
曾芷灵
《临床耳鼻咽喉头颈外科杂志》
CAS
CSCD
北大核心
2024年第7期624-630,共7页
目的搭建基于VGG的慢性鼻窦炎计算机辅助诊断模型,并评价其效能。方法①收集5000帧已确诊的鼻窦CT图像,将其分为正常组1000帧图像(其中,正常的上颌窦、额窦、筛窦、蝶窦影像图像各250帧)及异常组4000帧图像(其中,上颌窦炎、额窦炎、筛...
目的搭建基于VGG的慢性鼻窦炎计算机辅助诊断模型,并评价其效能。方法①收集5000帧已确诊的鼻窦CT图像,将其分为正常组1000帧图像(其中,正常的上颌窦、额窦、筛窦、蝶窦影像图像各250帧)及异常组4000帧图像(其中,上颌窦炎、额窦炎、筛窦炎、蝶窦炎影像图像各1000帧),对图像进行大小归一化及分割预处理;②训练模型并对其进行仿真实验,分别得到正常组,蝶窦炎组,额窦炎组,筛窦炎组以及上颌窦炎组5个分类模型,从准确度、精确度、灵敏度、特异度、判读时间及ROC曲线下面积(AUC)6个维度,客观评价模型的分类效能;③随机选取200帧图像,通过模型与低年资医师组、中年资医师组、高年资医师组分别阅片构成对比试验,结合临床通过以上评价指标客观评价模型的效能。结果①仿真实验:整个模型的识别准确度为83.94%,精确度为89.52%,灵敏度为83.94%,特异度为95.99%,平均每帧图像判读时间为0.20 s;蝶窦炎的AUC为0.865(95%CI 0.849~0.881),额窦炎的AUC为0.924(0.911~0.936),筛窦炎的AUC为0.895(0.880~0.909),上颌窦炎的AUC为0.974(0.967~0.982)。②对比实验:在识别准确度上,模型为84.52%,低年资医师组为78.5%、中年资医师组为80.5%,高年资医师组为83.5%;在识别精确度上,模型为85.67%,低年资医师组为79.72%,中年资医师组为82.67%,高年资医师组为83.66%;在识别灵敏度上,模型为84.52%,低年资医师组为78.50%,中年资医师组为80.50%,高年资医师组为83.50%;在识别特异度上,模型为96.58%,低年资医师组为94.63%,中年资医师组为95.13%,高年资医师组为95.88%;在耗时上,模型平均每帧图像为0.20 s,低年资医师组平均每帧图像为2.35 s,中年资医师组平均每帧图像为1.98 s,高年资医师组平均每帧图像为2.19 s。结论本研究强调了基于深度学习的慢性鼻窦炎人工智能诊断模型分类诊断慢性鼻窦炎的可能性;基于深度学习的慢性鼻窦炎人工智能诊断模型分类性能好,具有较高的诊断效能。
展开更多
关键词
VGG
医学图像
慢性鼻窦炎
计算机辅助诊断
原文传递
题名
基于VGG的慢性鼻窦炎分类模型研究
1
作者
张宁
马瑞霞
任海玲
申学良
贺娇
赵玉桐
杨凤霞
刘铭
王乐
章峪侨
曾芷灵
机构
银川市第一人民医院(耳鼻咽喉头颈外科医院)
宁夏医科大学第二临床学院
出处
《临床耳鼻咽喉头颈外科杂志》
CAS
CSCD
北大核心
2024年第7期624-630,共7页
基金
宁夏回族自治区重点研发计划项目(No:2023BEG02019)。
文摘
目的搭建基于VGG的慢性鼻窦炎计算机辅助诊断模型,并评价其效能。方法①收集5000帧已确诊的鼻窦CT图像,将其分为正常组1000帧图像(其中,正常的上颌窦、额窦、筛窦、蝶窦影像图像各250帧)及异常组4000帧图像(其中,上颌窦炎、额窦炎、筛窦炎、蝶窦炎影像图像各1000帧),对图像进行大小归一化及分割预处理;②训练模型并对其进行仿真实验,分别得到正常组,蝶窦炎组,额窦炎组,筛窦炎组以及上颌窦炎组5个分类模型,从准确度、精确度、灵敏度、特异度、判读时间及ROC曲线下面积(AUC)6个维度,客观评价模型的分类效能;③随机选取200帧图像,通过模型与低年资医师组、中年资医师组、高年资医师组分别阅片构成对比试验,结合临床通过以上评价指标客观评价模型的效能。结果①仿真实验:整个模型的识别准确度为83.94%,精确度为89.52%,灵敏度为83.94%,特异度为95.99%,平均每帧图像判读时间为0.20 s;蝶窦炎的AUC为0.865(95%CI 0.849~0.881),额窦炎的AUC为0.924(0.911~0.936),筛窦炎的AUC为0.895(0.880~0.909),上颌窦炎的AUC为0.974(0.967~0.982)。②对比实验:在识别准确度上,模型为84.52%,低年资医师组为78.5%、中年资医师组为80.5%,高年资医师组为83.5%;在识别精确度上,模型为85.67%,低年资医师组为79.72%,中年资医师组为82.67%,高年资医师组为83.66%;在识别灵敏度上,模型为84.52%,低年资医师组为78.50%,中年资医师组为80.50%,高年资医师组为83.50%;在识别特异度上,模型为96.58%,低年资医师组为94.63%,中年资医师组为95.13%,高年资医师组为95.88%;在耗时上,模型平均每帧图像为0.20 s,低年资医师组平均每帧图像为2.35 s,中年资医师组平均每帧图像为1.98 s,高年资医师组平均每帧图像为2.19 s。结论本研究强调了基于深度学习的慢性鼻窦炎人工智能诊断模型分类诊断慢性鼻窦炎的可能性;基于深度学习的慢性鼻窦炎人工智能诊断模型分类性能好,具有较高的诊断效能。
关键词
VGG
医学图像
慢性鼻窦炎
计算机辅助诊断
Keywords
VGG
medical image
chronic rhinosinusitis
computer aided diagnosis
分类号
R765.21 [医药卫生—耳鼻咽喉科]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于VGG的慢性鼻窦炎分类模型研究
张宁
马瑞霞
任海玲
申学良
贺娇
赵玉桐
杨凤霞
刘铭
王乐
章峪侨
曾芷灵
《临床耳鼻咽喉头颈外科杂志》
CAS
CSCD
北大核心
2024
0
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部