目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

目的:应用深度学习进行病毒电镜图像的分类，通过多种模型性能的比较，提供适用于病毒电镜图像分类的网络模型，提供病毒电镜图像识别的辅助与支持，减少研究人员的劳动强度和分析时间。方法:通过加深网络深度、调整学习率和批量大小等参数，使用AlexNet、VGG、ResNet、DenseNet、SqueezeNet、MobileNet、ShuffleNet多种经典的卷积神经网络对七种病毒电镜图像进行分类。结果:DenseNet169以91.9%的准确率、90.1%的敏感度和98.6%的特异度取得了模型最佳性能。其中，模型对细小病毒的识别效果最好，乳头瘤病毒、疱疹病毒、痘病毒和轮状病毒的精确率、敏感度、特异度和F1值均在90%以上，甚至接近100%。同时，轻量级网络ShuffleNet的性能以更少的参数量和浮点次数超越了深度网络AlexNet和VGG，并能够以比ResNet少约15倍的参数量和90余倍的浮点运算次数取得与之相当的结果；与DenseNet相比，孙世丁通过牺牲可接受范围内的识别性能换取了比其少约10倍的参数量和80余倍的浮点运算次数。结论:深度网络DenseNet169能够以最佳性能实现病毒电镜图像的自动识别，轻量网络ShuffleNet_v2_x0_5能够以更少的参数量和浮点运算次数实现次优性能，在实际应用中可结合具体情况在深度网络和轻量级网络之间进行取舍。

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1 225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（0.845 2），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。

目的 基于眼底彩照,分别应用经典卷积神经网络 DenseNet121 和轻量级网络 GhostNet 训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的DR诊断模型的应用价值.方法 收集大样本的眼底彩照29 535 张(含DR 9 883 张、正常眼底2 000 张、用于做鉴别诊断的其他致盲性眼底病 17 652 张).分别采用经典卷积神经网络DenseNet121 和轻量级网络GhostNet建模,并借助迁移学习做模型训练.采用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)、灵敏度、特异度、准确率评价模型性能.结果 与基于DenseNet121 的模型相比,基于GhostNet的模型对单张眼底照的诊断时间缩短了 60.3%.在DR的诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为 0.911、0.888、0.934、91.3%,基于DenseNet121 的模型的AUC值、灵敏度、特异度、准确率分别为 0.954、0.921、0.986、95.5%.在DR与其他眼底病的鉴别诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为 0.862、0.856、0.901、87.8%;基于DenseNet121 的模型的AUC值、灵敏度、特异度、准确率分别为 0.899、0.871、0.935、90.2%.结论 基于GhostNet轻量级神经网络构建的DR诊断模型和鉴别诊断模型,其诊断效率较经典模型DenseNet121 有显著提升,并且模型兼具较高的准确率.对于社区医院等缺乏眼科医师且设备性能不高的基层医疗机构,可考虑应用该技术开展DR的初筛.

为实现农牧区牲畜目标的快速、准确检测,提出一种改进YOLOV3-tiny的轻量级牧区牲畜目标检测算法,并在Jetson Nano嵌入式主板上实现实时检测.该算法首先根据牧区牲畜体型相差较大的特点优化了网络结构,引入一种锚框复合聚类算法,并增加预测输出尺度,增强浅层信息的利用;其次,采用金字塔网络进行多尺度特征融合,在保证大目标检测率的同时提高小目标检测率;最后针对复杂光照条件下(如太阳光直射下)检测精度下降问题,加入注意力机制,提高复杂光照条件下目标检测精度.实验结果表明:改进后YOLOV3-tiny算法检测精度达83.2％,在嵌入式平台Jetson Nano主板上的检测速度为12帧·s-1,相较于YOLOV3-tiny算法平均检测精度提高了 8.7％.

文章充分利用红鳍东方鲀(Takifugu rubripes)体侧纹理特征提出了一种基于轻量级卷积神经网络的鱼类个体身份识别方法,可在无损前提下实现红鳍东方鲀个体身份的高精度识别.首先,采用SOLOv2模型进行前景分割,并结合红鳍东方鲀体型特点,通过质心和哈希值计算方法完成数据集生成和筛选;随后,从多维度分别测试主流深度学习图像分类骨干网络和不同损失函数在红鳍东方鲀身份识别中的效果;继而,在MobileNet v2骨干网络基础上,耦合Softmax Loss函数,建立了一种适用于红鳍东方鲀的个体身份无损识别的最优组合方法.研究结果表明,文章方法准确率可达90.2％,优于其他相关主流方法(准确率73.6％-89.3％),相关研究成果将为循环水养殖鱼类个体身份无损识别和精准生物量估算提供技术支撑.

目的:对视网膜光学相干断层扫描图像中不同层和积液区域的分割.方法:提出一种基于深度学习的轻量级的神经网络,参考DRUNet体系、膨胀卷积和残差网络的架构,通过连接不同深度网络处得到的上采样输出,进行多尺度特征融合,使网络能够更好地识别出图像中的边界信息.结果:改进型DRUNet显著提升了视网膜分层的效果,准确率较U-Net提高了1.25％,同时能提前1～2次迭代达到传统U-Net的准确度.结论:本文采用的网络结构提高了对视网膜光学相干断层扫描图像的分割性能,同时降低了网络参数,具有强大的应用潜力.

视网膜血管的精准分割对眼部疾病的诊断、预防及后续检测具有重要意义,近些年U-Net网络及其各种变体在医学图像分割领域达到了先进的水平.这些网络大多数都选择使用简单的最大值池化来对图像中间特征层进行下采样,这容易丢失部分信息,该研究提出了一种简单而有效的新型下采样方法PF池化(PF-pooling)方法,可以很好地将图像相邻像素信息进行融合.该研究所提出的下采样方法是个轻量级的通用模块,可以有效地集成到各种基于卷积操作的网络架构中.在DRIVE和STARE数据集上的实验结果显示,使用PF池化的U-Net模型有STARE数据集上的F1-score指标提升了1.98％,准确率提升了0.2％,灵敏度提升了3.88％.并且通过更换不同算法模型来验证,并提出模块的泛化性,结果表明PF池化在Dense-UNet和Res-UNet模型上均实现了性能的提升,具有很好的普适性.

目的:利用深度学习技术建立影像质控分类算法模型,提高对X线胸片异物的检出效能.方法:利用深度学习卷积神经网络ResNet-50开发全自动正位X线胸片影像异物检测模型,实现正常X线胸片影像与存有异物影像的分类,并通过热力图的形式显示具体质控识别点的位置和范围.结果:该模型在验证集的准确率达96.9％,AUC为0.994(95％CI:0.993～0.995),采用AI辅助质控对每张X线胸片进行分类的速度较人工质控快10倍.结论:模型的准确性、速度和轻量级架构使得该模型适合嵌入医院PACS系统中进行质量控制管理.

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.