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:将基于改进DeepLabV3+的图像语义分割算法应用到囊型肝包虫病超声图像处理中,实现肝包虫病病灶的自动分割与检测,提高临床诊断效率.方法:本研究采用了DeepLabV3+图像语义分割网络为基础方法,并对其进行了以下改进.首先,为解决DeepLabV3+图像语义分割方法计算复杂度高,内存消耗大,难以在计算能力有限的嵌入式平台上部署,在提取图像特征信息时难以充分利用多尺度信息等问题,以MobileNetV2替换模型的原主干网络Xception,获得轻量级的模型框架.其次,将高效通道注意力应用于底层特征,降低计算复杂度,提高目标边界的清晰度.最后,将Dice Loss引入模型中,缓解模型更关注背景区域,而忽略了包含目标的前景区域等问题.结果:在自建囊型肝包虫病VOC2007数据集5种病灶类型上进行验证,实验结果表明,改进模型的平均交并比和平均像素精度分别达到73.8%和83.5%,能够预测更精细的语义分割结果,有效地优化模型复杂度和分割精度.

草地植物的分类识别是开展草地资源调查和生物多样性监测的基础,计算机视觉和深度学习技术的快速发展为植物分类识别提供了技术条件,但目前缺乏专门针对草地植物识别的数据集和模型.本研究建立了我国北方831种常见天然草地植物的图像数据集,基于卷积神经网络(convolutional neural network,CNN)和视觉Transformers(vision transformers,ViT)这两个最先进的图像分类架构进行模型训练,以获取草地植物识别模型,并从模型识别精度、识别速度和大小等方面评估了Eva-02、ResNet-RS、MobileNetV3和MobileViTv2 4个模型的性能.从模型识别精度方面来看,Eva-02、MobileViTv2、ResNet_RS和MobileNetV3在测试集的Top1准确率分别为96.78％、94.29％、95.57％和91.53％,Top5准确率分别为99.17％、98.93％、98.79％和97.56％.从模型大小和识别速度来看,MobileNetV3的参数量最小,识别速度最快,其次为MobileViTv2,可用于移动端部署,而Eva-02参数量最大,检测速度最慢.与Pl@ntNet、花伴侣、百度识图植物识别效果的比较表明,本研究训练得到的4个植物识别模型可以识别的天然草地植物物种数量最多,识别准确率最高,均优于这3个识别系统.

目的 传统的NICE分型依赖于医生的主观判断和经验,存在一定的主观性和不确定性.本研究旨在开发基于小样本学习算法的结直肠息肉NICE分型分类模型.方法 共计414张来源于苏州大学附属第一医院和上海交通大学医学院苏州九龙医院内镜中心的结直肠息肉NICE分型图片纳入研究.研究基于三种不同模型架构(MobilenetV2,Resent50,Xception),利用二次迁移学习方式,分别开发了传统深度学习分类模型与基于度量学习的小样本学习分类模型(3-way,3-shot),同时使用梯度加权分类激活映射对小样本学习分类模型的分类结果进行可视化解释.分类模型于测试集中进行性能评价,并收集高、低年资医师对测试集数据的分类结果,将其与模型的分类结果进行对比,进一步评估模型的分类能力.结果 传统深度学习分类模型分类准确性一般,平均分类准确性为0.638.基于三种不同特征提取架构的小样本学习分类模型均拥有较好的分类准确性,其平均准确性为0.827.高低年资内镜医师均拥有较好的判断表现,其平均分类准确性0.824.结论 对于结直肠息肉NICE分型图片,基于较小训练样本量的小样本学习算法展现出优于传统深度学习分类模型的性能,拥有近似于内镜医师的分类准确性.

目的 研究深度学习技术智能诊断龋齿和根尖周炎的效果,初步探讨深度学习在口腔疾病诊断中的应用价值.方法 以2 298张包含健康牙齿、龋病、根尖周炎的根尖片数据集为研究对象,随机划分为1 573张训练集图像,233张验证集图像以及492张测试集图像.通过多种神经网络对比验证,选择性能较好的MobileNetV3网络模型应用于牙病诊断,并通过调整网络超参数优化模型.采用精确率、准确率、召回率和F1分数评估模型识别龋齿和根尖周炎的能力,并使用类激活热力图对网络模型性能进行可视化分析.结果 基于MobileNetV3网络模型的牙齿病变检测算法对健康牙齿、龋病和根尖周炎进行分类的精确率、召回率和准确率分别为99.42%、99.73%和99.60%,F1分数为99.57%,达到了较为理想的智能诊断效果.可视化类激活热力图也显示出网络模型能够较为准确地提取牙科病变的特征.结论 基于MobileNetV3网络模型的牙齿病变检测算法能够排除图像质量和人为因素的干扰,具有较高的诊断准确率,可满足口腔医学教学和临床应用需求.

目的 探究深度学习技术对中国汉族人群口腔全景摄影图像(OPG)进行性别推断的可行性和准确性.方法 收集18～70岁汉族人群OPG影像数据10 600份(男性5 300份,女性 5 300份),按照 8:1:1比例随机划分为训练集、验证集、测试集.采用MobileNetV2、Swin Transformer模型进行训练,通过准确率、F1 分数及Grad-CAM算法评估模型分类性能及可视化展示.结果 MobileNetV2、Swin Transformer Small和Swin Transformer Tiny模型的准确率为 97.57%、95.13%、96.28%,其中MobileNetV2 模型表现最佳.Grad-CAM算法显示男性OPG图像主要关注左右侧下颌支及牙槽骨,而女性的OPG图像主要关注上颌窦、左侧下颌支及左侧后牙槽骨.结论 本研究基于深度学习技术构建的中国汉族人群OPG图像性别推断模型具有较高的准确性及泛化能力,为法医学性别推断提供了新的方法.

心律失常自动分类对心血管疾病的预防尤为重要,本研究提出一种基于马尔可夫转移场(MTF)和改进MobileNetV2网络的心律失常图像分类方法.首先将原始心电(ECG)信号进行预处理和数据增强,并通过MTF将处理后的ECG片段转变为具有时间关联性的二维图像.其次在MobileNetV2网络的模块中融入高效通道注意力.将正常心拍、左束支传导阻滞、右束支传导阻滞和起搏心拍4种类型的ECG信号通过改进MobileNetV2网络进行分类.结果表明改进MobileNetV2模型复杂度仅略高于原始MobileNetV2,在心律失常分类准确率上,比原始MobileNetV2网络提高0.89%,达到99.71%,实现了对4种不同类型的ECG信号的有效分类.

目的 探讨 MobileNetV2 模型在甲状腺结节微波消融术后消融灶检测中的辅助诊断价值.方法 收集患甲状腺结节的患者 200 例和行甲状腺结节微波消融治疗的患者 200 例,在测试集上评估经训练集训练的 Mo-bileNetV2 模型性能,并与医师组分类比较.结果 在测试集上,MobileNetV2 模型诊断消融灶的准确度为 0.90%,灵敏度为 91%,特异度为 89%,ROC 曲线下面积(AUC)为 0.90,大致与高年资医师相同,高于中、初级医师,差异有统计学意义.结论 MobileNetV2 模型可以提高甲状腺结节微波消融灶检出的准确度,在消融术后随访中改善超声诊断流程.

目的 探讨深度学习在儿童心脏超声标准切面自动识别中的可行性和准确性.方法 在上海交通大学医学院附属上海儿童医学中心心脏超声诊断中心影像归档和通信系统数据库中,选取2022 年 9-10 月行心脏超声检查儿童的 4035 张心脏超声图像,按照 6∶2∶2 的比例将图像随机分为训练集(2421 张)、验证集(807 张)、测试集(807 张).通过改进密集连接网络(DenseNet)开发了一个轻量、高效的深度学习模型,实现对 15 个儿童心脏超声标准切面的自动识别,并与DenseNet121、InceptionV3、MobileNetV33 种常用的深度学习模型进行比较.以人工手动标注结果为金标准,采用准确度、精确率、特异度、召回率和F1 指数评价深度学习模型的识别性能.使用参数量、模型大小和浮点运算数 3 个指标评估模型的识别效率.采用混淆矩阵展示模型的识别结果,并通过热力图反映模型对图像特征的关注度.结果 DenseNet121、InceptionV3、MobileNetV3 模型和所提出的深度学习模型识别 15 个儿童心脏超声标准切面和非标准切面的平均F1 指数分别为 94.59%、95.13%、92.41%、94.73%,参数量分别为7.0×106、24.4×106、4.2×106、1.8×106,模型大小分别为13.941、48.777、8.445、3.588 MB,浮点运算数分别为11.16×109、12.89×109、0.86×109、3.05×109.从混淆矩阵和热力图可以看出,所提出的模型对 15 个儿童心脏超声标准切面和非标准切面的识别率高于DenseNet121、InceptionV3、MobileNetV3 模型,且能够关注到超声切面中的关键特征区域.结论 所提出的深度学习模型可准确地识别儿童心脏超声标准切面,且模型的参数量较少,运行效率较高.

目的:解决智能舌诊中肝郁线自动识别问题.方法:设计了一个掩模,在使用深度卷积神经网络模型自动提取特征时,专注于肝郁线所在部位.在此特征基础上,搭建了一个前馈神经网络,用于识别肝郁线.通过随机调整舌体图像的方式增强数据,解决样本数量不平衡的问题.结果:掩模和数据增强可以大幅提升识别精确率,本研究所提模型的各项指标均优于经典分类算法.结论:在舌体图像清晰可辨的情况下,使用机器自动识别肝郁线是切实可行的.