基于微信小程序的心电图像智能校准系统的设计与实现

心电图是被广泛应用于记录人体心脏的电活动以及帮助诊断心脏类疾病,传统纸质心电图不利于保存与传输,而拍摄心电图像可能会产生畸变,对后续诊断产生影响。文章设计一种基于微信小程序的心电图像智能校准系统,可以对拍摄心电图像实现智能校准,尽可能还原初始数据,为后续心电图像的保存与诊断提供帮助。

一种轻量级卷积神经网络在煤工尘肺早期阶段自动识别中的应用

目的构建并验证轻量级卷积神经网络模型,探讨其在筛查煤工尘肺早期阶段(小阴影密集度达到0/1级与尘肺壹期)中的应用价值。方法收集2018年10月至2021年3月在安徽省某职业病防治院进行职业健康检查的煤矿工人(共1225例)数字化X射线胸片进行研究。所有胸片经过3名具有诊断资质的影像医生集体诊断并给出诊断结果。其中,圆形及不规则小阴影密集度为0/-或0/0级的胸片692例,0/1级至尘肺叁期的胸片533例。对原始胸片进行不同的预处理生成4个数据集,即16位灰度原始图像集(Origin16)、8位灰度原始图像集(Origin 8)、16位灰度直方图均衡图像集(HE16)和8位灰度直方图均衡图像集(HE8)。应用轻量级卷积神经网络ShuffleNet对4个数据集分别训练生成预测模型,使用受试者工作特征(ROC)曲线、准确率、灵敏度、特异度以及约登指数等指标在包含130例胸片的测试集上对4个模型的尘肺预测性能进行评估。采用Kappa一致性检验对模型预测结果与医生诊断尘肺结果进行一致性比较。结果Origin16模型预测尘肺获得了最高的ROC曲线下面积(AUC=0.958)、准确率(92.3%)、特异度(92.9%)和约登指数(0.8452),灵敏度为91.7%;Origin16模型的预测结果与医生诊断结果的一致性最高(Kappa值为0.845,95%CI:0.753~0.937,P<0.001)。HE16模型的灵敏度最高(98.3%)。结论轻量级卷积神经网络ShuffleNet模型可以高效地识别煤工尘肺的早期阶段,将其应用于煤工尘肺的早期筛查中可以有效地提高医生的工作效率。