Mask R-CNN算法在转子间骨折诊断中的应用研究

目的基于Mask R-CNN算法实现一个计算机辅助诊断(Computer Aided Diagnosis,CAD)工具,以辅助经验不足的医生对转子间骨折进行诊断。方法选取665例转子间骨折X光片数据为研究对象,按照8∶0.5∶1.5的比例设置训练集、验证集和测试集。采用迁移学习方法训练网络模型,实现CAD工具对转子间骨折的定位、分割和分类功能。同时招募3名住院医生和3名主治医生对CAD工具的分类性能进行测试。结果CAD工具取得了0.867的准确度,相比主治医生0.888±0.010的平均分类水平仍有不足。在CAD工具的帮助下,住院医生的平均准确度从0.707±0.021提升至0.850±0.015,虽然未能达到主治医生的分类水平,但其差异无统计学意义(P=0.179)。结论CAD工具能够为医生提供有效的辅助信息,辅助经验不足的医生进行诊断,减少误诊情况的发生。

基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法研究

目的:为提高小肠病变分类识别的准确性,提出一种基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法。方法:基于RandAugment数据增强子策略和增强小肠胶囊内镜图像时不丢失特征、不失真的原则提出Adapt-RandAugment数据增强方法。在公开的小肠胶囊内镜图像Kvasir-Capsule数据集中,基于Swin Transformer网络,采用Adapt-RandAugment数据增强方法进行训练,以卷积神经网络ResNet152、DenseNet161为基准,验证Swin Transformer网络和Adapt-RandAugment数据增强方法组合对小肠胶囊内镜图像分类识别的性能。结果:提出的方法宏平均精度(macro average precision,MAC-PRE)、宏平均召回率(macro average recall,MAC-REC)、宏F1分数(macro average F1 score,MAC-F1-S)分别为0.3832、0.3148、0.2905,微平均精度(micro average precision,MIC-PRE)、微平均召回率(micro average recall,MIC-REC)、微平均F1分数(micro average F1 score,MIC-F1-S)均为0.7553,马修斯相关系数(Matthews correlation coefficient,MCC)为0.4523,均优于ResNet152和DenseNet161网络。结论:基于Swin Transformer网络与Adapt-RandAugment数据增强方法的小肠胶囊内镜图像分类方法具有较好的小肠胶囊内镜图像分类识别效果和较高的识别准确率。