【摘 要】
:
针对超声心动图像质量差、噪声多,传统卷积神经网络架构对超声心动图像的学习能力有限、表达不充分的缺点,提出了一种基于标准切面识别的房间隔缺损(Atrial septal defect,ASD)智能辅助诊断模型.该模型通过对超声心动图像进行切面识别,充分融合其不同切面的语义特征,使得诊断的准确率得到明显提升.此外,还对其进行双边滤波保边去噪,并基于此模型搭建房间隔缺损智能辅助诊断系统(简称ASD辅助诊
【机 构】
:
北京邮电大学北京先进信息网络实验室,首都医科大学附属北京安贞医院儿童心血管病中心,北京邮电大学网络体系构建与融合北京市重点实验室
【基金项目】
:
国家自然科学基金资助项目(61571065)。
论文部分内容阅读
针对超声心动图像质量差、噪声多,传统卷积神经网络架构对超声心动图像的学习能力有限、表达不充分的缺点,提出了一种基于标准切面识别的房间隔缺损(Atrial septal defect,ASD)智能辅助诊断模型.该模型通过对超声心动图像进行切面识别,充分融合其不同切面的语义特征,使得诊断的准确率得到明显提升.此外,还对其进行双边滤波保边去噪,并基于此模型搭建房间隔缺损智能辅助诊断系统(简称ASD辅助诊断系统).结果表明,该ASD辅助诊断系统的准确率高达97.8%,且与传统卷积神经网络相比大大降低了假阴性率.
其他文献
随着各项科学技术的发展成熟和普遍应用在很大程度上便利了我国当前的社会生产和人民群众的生活,对我国企业税务管理工作的开展也带来了诸多便利.大数据时代的到来,对于我国
连续血糖监测在糖尿病管理中具有重要的意义.目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖,但上述方法存在疼痛、成本昂贵、易感染等问题,因此,无创监测是实现连续血糖监测的理想技术.本文利用心电(ECG)信号,提出了一种血糖水平无创监测的方法:通过获取12名志愿者共60 d 756160个ECG周期信号,利用递归滤波器实现ECG信号的滤波,并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法,实现了血糖水平的十分类监测,并通过实验探索了个体建模和群体建模2种建模方式的差异.结果表明,在
尽管我们国家的农业经营管理发展得不错,但是在行进的过程中仍然存在着不小的问题,这种情况还是严重阻碍了农业经营管理工作的顺利进行,进而也深深地影响了农业的长久发展.因
这次疫情是人类的灾难这毫无疑问,但是人类几千年的历史也告诉我们,灾难是暂时的,在灾难中往往孕育着各种机会,成为中国经济新形势的电商或许在这之后会带来一系列的改变也未
完善农村土地市场,是农村改革和农村经济发展的客观要求,也是发展现代农业现代化的必然选择.文章就山东单县加快农村土地资源规划管理的途径做出初步探索.
针对目前视网膜血管分割中存在的细小血管提取不完整、分割不准确的问题,从血管形状拓扑关系利用的角度出发,探索多任务卷积神经网络设计,提出骨架图引导的级联视网膜血管分割网络框架.该框架包含血管骨架图提取网络模块、血管分割网络模块和若干自适应特征融合结构体.骨架提取辅助任务用于提取血管中心线,能够最大限度地保留血管拓扑结构特征;自适应特征融合结构体嵌入在两个模块的特征层间.该结构体通过学习像素级的融合权
当前,中国经济进入“新常态”,在国家创新驱动发展战略的引导下,培育和扶持科创小微企业发展已经成为增强经济发展后劲、促进经济结构优化的重要举措。与此同时,我国社会融资总量虽大,但从结构上看,间接融资仍是“主力军”。因此,改善间接融资环境已经成为政府、金融及科技服务行业、创新创业者等相关干系人共同面临的新课题。本文通过对“青创资金”案例的思考与分析,为优化科创小微企业间接融资服务提供建议。
高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关,由于儿童睡眠障碍的早期症状不明显,需要进行长期监测,因此急需找到一种适用于儿童睡眠监测,且能够提前预防和诊断此类疾病的方法.多导睡眠图(Polysomnography,PSG)是临床指南推荐的睡眠障碍基本检测方法,通过观察PSG各睡眠期间的变化和规律,对睡眠质量评估和睡眠障碍识别具有基础作用.本文对儿童睡眠分期进行了研究,利用多导睡眠图记录的单通道脑电信号,在Alexnet的基础上,用一维卷积代替二维卷积,提出一种1D-CNN结构,由5个卷积层、
很荣幸能够在《工程科学学报》组织发布《智慧医疗》专刊.智慧医疗涉及医学、人工智能、计算机及通信等技术,是一门交叉学科,其研究领域涵盖电子病历、医疗健康大数据分析与挖掘、医疗自然语言处理、智能医学影像分析、智能问答系统、智能辅助诊断、远程医疗、远程会诊、智慧医院、个人隐私保护等方向.为响应“健康中国”理念,进一步推进智慧医疗技术在医疗领域的深入应用,构建智慧医疗体系和平台助力医院向数字化、信息化转型发展,本刊征集了智慧医疗领域的学术论文以介绍最新研究进展.
宫颈癌是严重危害妇女健康的恶性肿瘤,威胁着女性的生命,而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法.近年来,随着以深度学习为代表的机器学习理论的发展,卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破,被广泛应用于宫颈异常细胞检测等医疗影像分析领域.但由于病理细胞图像具有分辨率高和尺寸大的特点,且其大多数局部区域内都不含有细胞簇,深度学习模型采用穷举候选框的方法进行