超声图像融合专家知识的EfficientNet卵巢包块良恶性诊断方法

目的提出一种基于深度网络特征融合的分类方法,以提高良恶性分类的准确率,辅助医生提高术前诊断卵巢包块良恶性的准确率。方法纳入深圳市人民医院943幅经活检、手术病理等证实的患者术前卵巢超声图像,按照6∶2∶2的比例随机设置训练集、验证集和测试集。首先,提取医生勾画的感兴趣区域(region of interest,ROI)即包块图,用微调后的EfficientNet网络提取其深度特征;然后用基于Chan-Vese模型的水平集方法得到包块边缘轮廓图,再用微调后的EfficientNet网络提取其深度特征;接下来将包块图的深度特征和边缘轮廓图的深度特征分别归一化后并拼接为融合特征;最后,将融合特征输入到全连接层分类器中,将超声图像分为良恶性。结果本文提出的超声图融合专家知识的EfficientNet卵巢包块良恶性诊断方法在测试集上的准确度、特异度、敏感度和曲线下面积分别为0.81、0.78、0.88、0.91,全部优于当前主流的深度学习方法。结论该特征融合网络能够取得较好的分类效果,一定程度上能够为临床诊断卵巢包块的良恶性提供参考。

低碳环保型育苗容器的研究进展

从容器育苗的必要性出发,分析了现有可降解育苗容器的材质、结构以及功能性,以期能够对相关研究提供参考。最后总结了环保型育苗容器目前存在的问题,并对其未来的发展趋势进行了展望。

基于改进U-net++的超声图像结直肠子宫内膜异位区域检测

探究基于改进U-net++网络以及增加多通道特征融合的方法,实现准确高效的超声图像结直肠子宫内膜异位区域自动检测。所提神经网络在U-net++为原型的分割网络上进行改进,采用端到端的结构,输入超声图像和其边缘提取图像,输出结直肠子宫内膜异位区域检测结果。实验数据来自深圳市人民医院的166例结直肠子宫内膜异位患者的超声内镜图像,随机选择133例作为训练样本,33例测试样本。在网络训练过程中,采用十折交叉验证法进行验证。结果说明:在33例测试集样本上,方法最终的平均检出率、精确率、召回率分别为90.9%、72.4%、89.8%。改进神经网络以及多通道特征融合输入的方式可自动检测结直肠子宫内膜异位区域,且检测鲁棒性及精度较高,可作为参考辅助医生进行临床决策和干预。