共被期刊论文引用了2次
您的检索式：您选中1篇文献正在查看引证文献汇总
|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于卷积神经网络的骨折超声图像识别初步研究显示文摘目的针对骨折战伤超声快速诊断的需求,建立一个智能骨折超声识别模型,为骨折伤情的一线救治提供新技术和新手段。方法首先,建立骨折战伤动物模型,收集获取动物四肢骨折超声图像,经过专业超声医生标记数据,对图像预处理后创建数据集;其次,基于TensorFlow深度学习框架构建用于骨折超声图像识别的卷积神经网络模型;最后,利用训练数据进行训练,调整模型参数,优化网络模型,获得最优模型参数,测试模型的识别率。结果本文构建的卷积神经网络模型能够有效识别骨折超声图像,最终优化模型在测试集上识别率达到97.8%。结论本研究基于TensorFlow深度学习框架构建的卷积神经网络骨折超声图像识别模型能够在动物骨折模型中取得较好结果,为下一步快速识别人体四肢骨折并准确分诊奠定了良好基础。 | 冯自立 康其传 张涛 章伟睿 叶健安 张云飞 罗文 徐灿华 | 2022 | 空军军医大学学报2022，43，3： | 3 |
| 2 | 增强CT图像的深度学习分类技术在卵巢肿瘤良恶性预测中的应用显示文摘目的 探讨利用患者术前卵巢肿瘤的增强CT图像结合深度学习技术预测卵巢包块良恶性预测的可行性。方法 收集2018年7月至2022年5月在四川省人民医院因卵巢肿瘤入院拟行手术治疗的患者,获取术前盆腹腔增强CT图像分为训练集和测试集。训练集:恶性患者50例1698幅图像,良性患者26例1293幅图像。测试集:恶性患者25例1284幅图像,良性患者13例766幅图像。由影像专科主治医师标注训练集标签,输入模型进行训练,测试集标签则用本研究同时建立的改良的U-net模型自动分割。训练完成后,分别由影像专科主治医师与DL模型分别对测试集进行良恶性诊断,对比两者的预测效果。结果 DL模型在分类测试中将25例恶性肿瘤病例全部判定为恶性,13例良性肿瘤有3例被误判为恶性,模型预测的灵敏度为100%,特异度为76.9%,准确度为92.1%,AUC为0.88。影像科主治医师在测试中将25例恶性肿瘤24例判定为恶性,13例良性肿瘤有2例误判为恶性,灵敏度为96%,特异性为84.6%,准确性为92.1%。DL模型预测效果同影像专科医师比较,差异无统计学意义(P>0.05),Kappa值>0.75,两者诊断效果有高度一致性。结论 基于增强CT图像的深度学习分类技术用于卵巢肿瘤术前的良恶性诊断是可行的。 | 廖蔚 黄强 张雅琳 高雪梅 梅劼 | 2023 | 实用医院临床杂志2023，20，1： | 1 |
您所在的机构暂未开通此部分的功能，请联系管理员