深度学习下的卷积神经网络图像清晰度识别分析

随着社会经济水平的不断提高和信息时代的不断发展,图像逐渐成为信息传输的重要载体。但是,图像从采集和传送的过程中容易出现失真问题,造成图像内容无法真实、准确地表达出来。在这样的背景下,卷积神经网络图像识别技术应运而生,在实现图像清晰度识别方面发挥出重要作用。基于以上情况,本文在介绍实验数据处理的基础上,从caffe框架、卷积神经网络两个方面入手,研究了图像清晰度识别原理,最后,分析了实验结果。希望通过这次研究,为相关实验者提供有效的借鉴和参考。

人工智能技术在心脏超声常规参数测量及左室舒张性慢性心力衰竭诊断中的应用

目的:探究人工智能算法模型在心脏超声常规参数测量及左室舒张性慢性心力衰竭(CHF)诊断中的应用效果。方法:收集410例左室舒张性CHF疑似病例者心脏超声图像为研究对象。由一组高年资超声医师完成纳入病例者的心脏超声参数测量;同时,采用人工智能深度学习模型,即图像分割卷积神经网络,对纳入者心脏超声图像进行自动智能分割,并设计专门算法计算基于心脏超声影像的心脏结构和功能参数。通过比较两种方法获得心脏超声参数的一致性、偏差情况及受试者工作特征曲线(ROC)来探究人工智能深度学习技术在左室舒张性CHF诊断中的价值。结果:人工智能与医师所测心脏超声参数左室舒张末期容积(LVEDV)、左室收缩末期容积(LVESV)、左室射血分数(LVEF)间一致性一般(0.60≤ICC<0.80),E/A、E/e’、主动脉瓣峰值流速(AVPW)一致性极好(ICC≥0.80)。Bland-Altman分析表明,人工智能与医师所测心脏超声参数LVEDV、LVESV、LVEF间偏差较大,平均偏差分别为-16.9%、-7.0%和1.0%,E/A、E/e’、AVPW间偏差较低,平均偏差分别为0.0%、-0.4%和-0.0%。ROC曲线显示,人工智能所测E/A、E/e’、AVPW均对左心室舒张性CHF具有一定诊断价值(AUC=0.853、0.777、0.770,P<0.05)。结论:人工智能可快速识别并分割处理心脏超声图像,自动计算常规心脏参数,且关键参数与高年资超声医师结果一致性较好,并能用于左室舒张性CHF的临床辅助诊断。