• <pre id="jxpii"></pre><track id="jxpii"></track><tr id="jxpii"></tr>
        1. <table id="jxpii"></table>

          濟寧華諾醫療器械有限公司

          24小時服務熱線:15554736878 座機:0537-3896606

          公司新聞

          公司新聞

          醫用吊塔分析編輯基于深度學習的肝脂肪變性分級研究

          2021-08-10 12:09

          隨著我國人民飲食結構的變化,越來越多人出現肥胖、代謝異常等問題。醫用吊塔編輯分析體內攝人過多的糖類與油脂會導致器官內脂質儲積并發生脂肪變性。肝臟作為能量代謝的中樞器官,肝內脂肪變性嚴重影響肝臟的生理功能",造成人體代謝異常。同時肝脂肪變性可發展為脂肪性肝炎、肝纖維化、肝硬化,醫用吊塔編輯分析少數病例還可發生肝功能衰竭和肝細胞癌,嚴重危害生命健康。調查顯示,從2004至2014年,我國成人非酒精性脂肪肝患病率從15%增加到了31%2。肝部脂肪儲積導致的疾病患病率逐年上升,肝脂肪變性越來越受到重視。對肝脂肪變性的準確分級有助于采取不同的治療和干預措施,具有重要意義。同時肝脂肪變性程度的確定對于代謝類相關疾病準確診斷、治療方案制定、醫用吊塔編輯分析隨訪療效觀察和預后判斷等均有重要作用。然而,肝脂肪含量的定量檢測為有創手段,存在穿刺難度大,穿刺部位易感染、出血及膽汁泄漏等潛在風險。超聲、CT和MRI等影像學檢查技術在相關領域的應用逐漸興起。超聲檢查通過超聲影像下脂肪和肝組織回聲不同篩查脂肪肝。醫生根據超聲影像進行脂肪變性程度主觀分級,不同的醫生會存在分級偏差。且研究表明[31,醫用吊橋編輯分析超聲影像分析僅對中重度脂肪肝檢出率高,在脂肪含量低于20%的時候, 敏感度最高55%,特異度僅有26% ; CT檢查通過CT值進行肝脂肪變性的分級,但研究表明,直接測量肝臟CT值準確率僅63%,通過參照物對照測量對中重度脂肪肝檢出率較高(90%),但是對輕度脂肪判斷困難(45]。且CT具有輻射性,使用CT評估脂肪含量具有局限性。MRI不僅能觀察肝臟的形態及有無脂肪浸潤,而且實驗表明[6,MRI檢測脂肪肝檢出率高于超聲檢查45.5%。本文通過深度學習結合遷移學習的手段,利用肝的MR影像資料,進行肝脂肪變性分級研究,相比于穿刺活檢,醫用吊橋編輯分析為肝脂肪變性分級提供一種智能的無創性思路?;谏疃葘W習進行圖像特征的提取和分類,模型自動對肝臟進行脂肪含量檢測,節省了人力物力,同時進行肝脂肪變性程度和臨床指標的相關分析,具有一定臨床價值。本研究與上海交通大學附屬第一人民醫院合作,收集醫院2018年6月至7月共50例進行MR上腹部mDixon成像序列掃描的患者的MR影像資料,并收集患者的臨床信息。醫用吊橋編輯分析其中所收集患者需確診肝脂肪變性等級,且排除其他肝部疾病或因惡性腫瘤進行放射治療的患者。其中肝脂肪變性等級由影像科醫生根據患者MRI資料進行分級,為確保分級準確性,分級工作由兩位醫生獨立完成并進行驗證。1.2深度學習模型建立根據細胞脂肪變性程度評分7] :吊塔編輯細胞脂肪變性占0~5%計0分,占5%~33%計1分,占34%~66%計2分,占66%以上計3分。本研究采集的50例MR上腹部mDixon成像序列掃描的患者肝脂肪變性等級分布如下:肝脂肪變性0分共38例,其中男性患者24例,女性患者14例;肝脂肪變性1分共12例,男性患者6例,女性患者6例。DICOM圖像切片如圖1所示。在每個MR序列的 DICOM圖像上,放置6個正方形的感興趣區域( RegionofInterest ROI),吊塔編輯每個區域在肝實質中由16x16像素組成;ROI選取在影像科和消化科醫生指導下進行,選取規則如下:每位患者肝部MRI取6個16x16大小ROI區域,4個位于右葉實質(肝V,VI, VII, VI段),2個位于左葉實質(肝I,I段),選取時確保每位患者的全部ROI肝脂肪變 性情況一致,同時選取ROI過程避免大血管、膽管、肝局灶性病變和顯著的肝偽影。較少,為平衡數據分布,對少數類別樣本數據集進行過采樣操作。吊塔編輯將肝脂肪變性1級的648個ROI進行二次數據擴增,擴增倍數為4倍。最終得到肝脂肪變性0級患者ROI數據2052例,肝脂肪變性1級患者ROI數據2592例。1.2.3模型建立DenseNet(DenseConvolutional Network )為2017年國際計算機視覺與模式識別會議最佳文章設計的網絡。其提升網絡性能方法不同于ResNet和Inception代表的加深或加寬網絡結構的方法。吊塔廠家分析DenseNet通過加強每一層的輸人,實現特征重用,既大幅度減少了網絡的參數量,又在一定程度上緩解了梯度消失的問題。DenseNet主要由兩部分組成:denseblock密集塊和 transition layer 過渡塊,dense block每一層都與之前所有層相關聯[8]。在傳統的卷積神經網絡中,L層網絡有L個連接,但是在DenseNet中,有L(L+1)12個連接,吊塔廠家分析每一層的輸人來自前面所有層的輸出,以此類推,實現特征復用。一個DenseNet的結構如圖2所示,在這個結構圖中包含了2個denseblock。在同一個denseblock中要求特征數保持相同大小,在不同dense block之間設置transition layer實現降 采樣,在該網絡中transition layer由批歸-化層、卷積層和(1)數據增強。深度學習模型需要大量數據支撐,數據量過少會導致模型過擬合等問題。因此通過數據增強網絡可以在保持泛化能力的同時學習到更多數據不變的特征。 在本研究中,根據ROI選取規則,50 例患者共選取300例ROI。為滿足深度學習數據量需求,吊塔廠家分析300例ROI進行8倍數據增強,操作包括:平移、鏡像、旋轉、隨機選擇區域、添加隨機噪聲等。(2)不平衡數據集處理。數據集不平衡是醫學影像類數據常見的問題。在深度學習中,樣本不平衡會導致少數類別樣本被相對忽視,而醫學影像中少數類別樣本往往更具有研究價值。在本研究中,肝脂肪變性0級患者38例,肝脂肪變性1級患者12例。肝脂肪變性0級患者遠多于1級患者。處理數據集不平衡問題常采用的策略有少數類別樣本過采樣和多數類別樣本降采樣。由于本研究數據量數據集隱藏所有病人臨床相關信息,僅標記肝脂肪變性等級0級和1級作為標簽。吊塔廠家分析數據集由兩部分組成:病人影像數據ROI和對應0級/1級肝脂肪變性標簽。隨機抽取0級和1級肝脂肪變性患者數據集各80%作為訓練集,剩對所有訓練集和測試集數據進行歸-化操作,將MRI原圖0~4095的像素范圍歸一化到0~1.0。歸一化不改變圖像本身的存儲信息,歸-化后可調整不同維度的特征尺度到相近范圍,進而加大學習率,提升網絡的收斂速度。遷移學習指系統識別并應用先前領域學到的知識和技能到新領域的手段,濟寧華諾醫療編輯旨在解決當前領域數據量不足等問題并提高學習效率。數據量不足是醫學影像的常見問題,而遷移學習技術擴大了訓練數據(9),因此在疾病診斷中顯示出良好的性能。遷移學習后模型不需要訓練完全空白的網各,而是通過使用前饋方法來確定已優化的較低級別的權重,以識別一般圖像中發現的結構。并通過反向傳播重新訓練較高級別的權重,從而識別特定類別圖像的特征0。遷移學習常選用ImageNet數據集中自然圖像進行分類預訓練,訓練后根據當前領域數據量及數據相似度選擇調整策略。

          濟寧華諾醫療器械有限公司             http://www.eyeexamhelp.com

          女性裸体无遮挡无遮掩视频蜜芽
        2. <pre id="jxpii"></pre><track id="jxpii"></track><tr id="jxpii"></tr>
              1. <table id="jxpii"></table>