目的:探讨基于MobileNet的深度学习对床边胸部X线平片（胸片）分类诊断及提高工作效率的价值。方法:回顾性分析2017年1月至2022年12月在常州市第二人民医院接受床旁胸部X检查患者的胸片6 320张，正常组885张、肺炎组1 927张、胸腔积液组373张、肺炎合并胸腔积液组3 135张。选择其中350幅图像作为验证集，其剩余图像按照8∶2比例使用简单随机法分为训练集4 775张和测试集1 195张。采用两种轻量化卷积神经网络模型MobileNetV1和MobileNetV2构建床旁胸片分类模型，并基于此设计了两种微调策略，共生成了4个模型，分别是MobileNetV1_False（V1_False）、MobileNetV1_True（V1_True）、MobileNetV2_False（V2_False）、MobileNetV2_True（V2_True）。4个模型分别对所有胸片进行第一阶段和第二阶段分类，第一阶段建立二分类模型，即将所有胸片分为正常组和病变组，第二阶段建立四分类模型，即将所有胸片分为正常组、肺炎组、胸腔积液组和肺炎合并胸腔积液组。采用准确度（Ac）、精确度（Pr）、召回率（Rc）、F1评分（F1）和受试者操作特征曲线下面积（AUC）评估模型性能。结果:第一阶段和第二阶段，V1_True和V2_True模型在训练集和验证集中的Ac、Pr、Rc、F1均高于V1_False和V2_False模型；且V1_True模型的分类效果优于其他模型。验证集中V1_True模型在第一阶段和第二阶段的分类Ac［分别为95.71%（335/350）和93.43%（327/350）］，均高于放射科主治医师的分类Ac［第一阶段：90.29%（316/350）；第二阶段：87.14%（305/350）］。V1_True模型对验证集350张床边胸片的识别时间（平均17 s）明显少于放射科主治医师（平均300 min）。结论:V1_True模型是对床边胸片分类的最优MobileNet模型，其应用于临床可以帮助临床医师及时、准确地从床边胸片识别患者的肺部病变信息，亦有利于提高放射科的工作效率。

目的:建立一种基于深度学习的胆结石分类方法，并对其进行验证。方法:收集同济大学附属东方医院618例胆结石样本，拍摄1 023张高清结石剖面图像，构建胆结石剖面图像数据集。以传统胆结石八分类法为基础，利用深度学习与迁移学习的方法，训练轻量化网络模型MobileNet V3实现胆结石的快速精准分类，使用混淆矩阵评估模型通过准确率、精确率、F1分数和召回率等指标评估模型的分类性能，并通过准确率和损失值对改进的MobileNet V3模型进行验证。结果:改进的MobileNet V3模型的准确率（94.17%）、精确率（94.03%）、F1分数（92.96%）和召回率（92.99%）均优于其他网络。改进的MobileNet V3模型在胆结石剖面分类中取得了最高的准确率（94.17%），并通过测试集验证。混淆矩阵图显示各类别胆结石的加权平均后的准确率为92.0%，精确率为92.6%，F1分数为92.2%。结论:建立了一种基于深度学习的胆结石分类方法，具有较高的识别准确率，为胆结石的智能化识别提供了新的思路。

新型冠状病毒肺炎(corona virus disease 2019,COVID-19)具有高传染性,严重威胁人民群众的生命安全,快速筛查可以实现快速治疗、防止肺炎进展.目前COVID-19检测诊断方法的金标准为逆转录聚合酶链式反应(reverse transcription-polymerase chain reaction,RT-PCR),但是由于核酸检测存在耗时且假阴性率偏高的问题,而影像医生对医学图像的诊断存在主观性且工作量巨大,因此借助人工智能(artificial intelligence,AI)技术对实现COVID-19的快速诊断至关重要.随着AI在医学领域的成功应用,深度学习技术成为辅助诊断新型冠状病毒肺炎的有效方法.近年来许多学者使用深度学习技术来构建对医学图像进行智能诊断的模型,本文的主要内容就是对这类模型进行总结和分析,介绍了分割肺部区域的模型、实现二分类或多分类的分类模型以及模型在临床上的应用.与此同时,在文章中分析了COVID-19患者的影像学特点,COVID-19患者多双肺受累,其中磨玻璃影是最常见的影像征象.对COVID-19研究的最新进展也进行了介绍,主要是关于提高AI模型准确性的开发和"长新冠"综合征的相关研究.因此,在新型冠状病毒肺炎常态化管理下,模型准确性的提高可以借助数据集的扩大或模型结构轻量化等方面实现;"长新冠"综合征作为一个新的研究领域,学者可以在临床症状、预后随访和结合深度学习技术等方面进行进一步的研究.

目的:为消除手术器械视觉图像中的高斯与椒盐噪声,并恢复图像的细节特征,提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法.方法:首先,构建由多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络3个部分组成的轻量级多任务渐进式网络,使用多特征融合编码器解码器网络预测视觉图像中的噪声信息,并从原图像中去除,使用注意力引导网络进一步去除图像中的残留噪声,使用细节恢复渐进式网络对去噪图像的底层细节特征进行恢复.其次,对轻量级多任务渐进式网络进行轻量化设计,将细节恢复渐进式网络中的部分常规卷积替换为深度可分离卷积.最后,在公开的CBSD68、Kodak24数据集和自建的手术器械噪声数据集上进行去噪实验,比较基于轻量级多任务渐进式网络的去噪方法与经典去噪方法的去噪效果,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像的分类准确率,并分析轻量化设计前后的算力和内存占用情况.结果:在公开数据集上,所提出的方法较经典的去噪方法取得了更好的去噪效果.在手术器械噪声数据集上,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像分类准确率更高.经过轻量化设计的去噪方法的参数量和浮点运算数(floating point operations,FLOPs)分别减少了约27.27％和29.81％.结论:基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法具有优秀的手术器械视觉图像去噪性能,且具有更少的算力消耗和内存占用.

目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别.方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型.结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%.结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案.

在保证系统准确率的前提下,轻量化分类模型以便于其在硬件资源有限的嵌入式设备或移动终端上部署,提出基于改进轻量化残差网络的心律失常分类方法.该方法首先将一维心电信号通过格拉姆角和场转换成二维图像作为模型输入,接着使用ShuffleNet V2卷积单元替换ResNet34基本残差块中传统卷积,降低模型参数量,并结合高效通道注意力模块使模型专注于重要特征区域,提升模型的准确率,最终实现心律失常自动分类.基于MIT-BIH心律失常数据库的实验结果表明,所提方法的准确率达到99.78%,与传统ResNet34模型相比,Params减少95%,FLOPs和MAdd均降低91%,表明该方法具有轻量化、高准确率的特点,为其在后续的移动端部署提供可能.

果蝇是实验教学中最常用的重要生物材料之一.在果蝇实验教学中,每个学生通常需要针对上百只果蝇进行手工辨认,并记录每只果蝇身上的数个不同性状,工作量大且分类标准参差不齐.为了解决这一问题,本文将现代计算机技术融入到遗传学实验教学中,使用深度卷积神经网络来自动统计每只果蝇的性状.采用的是目标检测模型+分类模型的两阶段策略模式.在分类模型的训练设计过程中,创新性利用了关键点辅助分类的方法,有效地提升了模型的可解释性.此外,还针对任务特性改善了RandAugment方法,利用渐进式学习与适应性正则化策略,在有限的计算资源下训练了MobileNetV3架构下的多标签分类任务,并最终在每只果蝇3对性状(红/白眼、长/小翅、雌/雄)的分类任务下分别达到了97.5％、97.5％和98％的准确率.模型经过优化后,可以在手机端10 s内完成600个果蝇性状的分类,该模型具有轻量化的特点,大小不到5 MB,易于在各类安卓系统手机上安装使用.该系统的开发有利于推进以果蝇为研究对象的遗传规律验证等实验的教学,也可用于涉及大量果蝇分类统计分析的科研工作.