基于深度学习的DR胸片智能质控方法研究

发布时间：2021-12-31 23:40

　　目的为了减轻医学影像质量控制工作给医院及相关机构带来的工作负担,弥补人工质量控制存在的多方面缺陷,本文提出一种基于深度学习的DR胸片正位和侧位摄影的质量控制方法。方法通过特定结构的卷积神经网络完成DR图像的语义分析,结合医学影像质量控制标准,自动批量完成影像质控工作。结果该方法在多个数据集中的平均准确率为98.32%,单例影像的平均质控时间为83 ms。结论该模型可以快速、准确地实现DR影像的自动智能质控。 

【文章来源】：中国医疗设备. 2020,35(10)

【文章页数】：6 页

【部分图文】：

卷积层原理

为了获取更多的语义信息，可以同时使用多个卷积核如图2所示。图2中使用了4个3×3×3的卷积核，其中前两个3表示卷积核的高度和宽度，最后一个3表示卷积核的通道数，应与输入数据的通道数一致。按照图1所示的卷积层工作原理，得到了7×7×4的输出，其中输出数据的通道数为4，与卷积核的个数一致。

通过上述的卷积层，可以提取出大量的、多个维度的语义信息。虽然这些语义信息有助于模型的训练，但是降低了计算速度、增加了过拟合的风险，因此引入了池化层。池化层通常分为最大池化层、平均池化层如图3所示。图3中，输入图像/中间语义信息中每个底色对应一次池化操作，池化区域的宽度和高度均为2。最大池化是选择池化区域内最大的值，平均池化是计算池化区域内的平均值。池化区域也可以是其他尺寸，如3×3,5×5等。

【参考文献】：
期刊论文
[1]医用数字X射线摄影机验收检测结果分析[J]. 翟贺争,高杰,王鑫,吴香君,黄子祺,王曼瑶,张文艺,武权.  国际放射医学核医学杂志. 2020(06)
[2]关于常规医用X射线诊断设备影像质量控制检测结果的分析[J]. 郝克仲.  中国医药指南. 2020(10)
[3]基于深度学习的医疗问答系统的开发[J]. 姚智.  中国医疗设备. 2019(12)
[4]人工智能在医学影像诊断中的应用[J]. 刘丰伟,李汉军,张逸鹤,李若松,王尊升,唐晓英.  北京生物医学工程. 2019(02)
[5]统一操作规范 避免重复检查——《医学X线检查操作规程》标准解读[J]. 徐克,任克.  中国卫生标准管理. 2013(01)
[6]周口市医用诊断X射线机防护状况分析[J]. 张林,杨培记,张海燕.  中国辐射卫生. 2009(03)



本文编号：3561204