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Faster R-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析
被引量:
3
1
作者
杨会
张兴娜
+7 位作者
姜秋竹
原成英
屈重霄
刘云霄
王晨
李明
李荣山
周晓霜
《临床肾脏病杂志》
2020年第3期189-193,共5页
目的基于Faster R-CNN算法开发出能够自动对肾组织病理切片图像中肾小球进行识别的人工智能(artificial intelligence,AI)系统,帮助病理医师提高计算肾小球个数与识别缺血硬化性肾小球的速度和效率。方法将山西省人民医院和山西医科大...
目的基于Faster R-CNN算法开发出能够自动对肾组织病理切片图像中肾小球进行识别的人工智能(artificial intelligence,AI)系统,帮助病理医师提高计算肾小球个数与识别缺血硬化性肾小球的速度和效率。方法将山西省人民医院和山西医科大学第二医院自2008年至2018年的11476例肾病患者PASM染色的肾脏病理切片进行数字化扫描,图像数据通过远程病理系统传输到云端并进行储存。使用Faster R-CNN方法创建包括2296张图像的训练集和包括174张图像的测试集,训练集用于训练AI学习识别肾小球,测试集用于测试和评价AI识别出肾小球的平均时间和准确率。同时将测试集的174张病理切片分别给工作2年左右的病理科医师(初级医师)和10年以上工作经历的病理科医师(高级医师)阅读,收集医师识别出肾小球的平均时间和准确率。结果通过训练基于Faster R-CNN网络开发的AI得到模型,AI模型在测试集上的性能为:mAP=94.37%。AI处理整张玻片图像处理时间约为1 s,平均识别一个肾小球的时间(0.05±0.04)s(数据由太原理工大学大数据库学院提供)。病理科初级医师和高级医师识别一个肾小球的时间为(22.32±2.32)s和(11.50±1.42)s,识别时间均慢于AI(均P<0.05)。初级医师和高级医师识别肾小球的精确度分别为(82.18±4.92)%和(93.29±7.64)%,AI为(99.93±1.30)%,AI识别肾小球的精确度优于初级医师和高级医师(均P<0.05)。结论基于Faster R-CNN方法开发的AI系统计算肾小球个数与识别缺血硬化性肾小球的速度和效率明显高于参与这项研究的病理科医师。
展开更多
关键词
大数据
人工智能
FASTER
R-CNN
肾脏病理图像
肾小球
下载PDF
职称材料
题名
基于Faster R-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析
被引量:
3
1
作者
杨会
张兴娜
姜秋竹
原成英
屈重霄
刘云霄
王晨
李明
李荣山
周晓霜
机构
山西医科大学
山西医科大学附属人民医院/山西省人民医院肾内科
山西医科大学附属人民医院/山西省人民医院病理科
山西医科大学第二医院病理科
太原理工大学
出处
《临床肾脏病杂志》
2020年第3期189-193,共5页
基金
山西省基础研究项目(No.2015011098)
山西省重点研发计划项目(No.201803D31151)。
文摘
目的基于Faster R-CNN算法开发出能够自动对肾组织病理切片图像中肾小球进行识别的人工智能(artificial intelligence,AI)系统,帮助病理医师提高计算肾小球个数与识别缺血硬化性肾小球的速度和效率。方法将山西省人民医院和山西医科大学第二医院自2008年至2018年的11476例肾病患者PASM染色的肾脏病理切片进行数字化扫描,图像数据通过远程病理系统传输到云端并进行储存。使用Faster R-CNN方法创建包括2296张图像的训练集和包括174张图像的测试集,训练集用于训练AI学习识别肾小球,测试集用于测试和评价AI识别出肾小球的平均时间和准确率。同时将测试集的174张病理切片分别给工作2年左右的病理科医师(初级医师)和10年以上工作经历的病理科医师(高级医师)阅读,收集医师识别出肾小球的平均时间和准确率。结果通过训练基于Faster R-CNN网络开发的AI得到模型,AI模型在测试集上的性能为:mAP=94.37%。AI处理整张玻片图像处理时间约为1 s,平均识别一个肾小球的时间(0.05±0.04)s(数据由太原理工大学大数据库学院提供)。病理科初级医师和高级医师识别一个肾小球的时间为(22.32±2.32)s和(11.50±1.42)s,识别时间均慢于AI(均P<0.05)。初级医师和高级医师识别肾小球的精确度分别为(82.18±4.92)%和(93.29±7.64)%,AI为(99.93±1.30)%,AI识别肾小球的精确度优于初级医师和高级医师(均P<0.05)。结论基于Faster R-CNN方法开发的AI系统计算肾小球个数与识别缺血硬化性肾小球的速度和效率明显高于参与这项研究的病理科医师。
关键词
大数据
人工智能
FASTER
R-CNN
肾脏病理图像
肾小球
Keywords
Big data
Artificial intelligence
Faster R-CNN
Renal pathology image
Glomerulus
分类号
R692.6 [医药卫生—泌尿科学]
TP18 [自动化与计算机技术—控制理论与控制工程]
TP391.41 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Faster R-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析
杨会
张兴娜
姜秋竹
原成英
屈重霄
刘云霄
王晨
李明
李荣山
周晓霜
《临床肾脏病杂志》
2020
3
下载PDF
职称材料
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