简介:摘要目的提倡使用数字化(CR)床边摄影,为危急重症而不能搬动的患者和非典、禽流感等传染病患者服务。方法取普通X线床边照片和数字化(CR)床边照片各100张,共200例患者胸部前后位照片作为研究对象。摄影时按标准摆位和操作,患者取自然呼吸曝光(因患者病重难配合呼吸控制,又因无防护设施放射技师不能近病床曝光)。只计第一张照片,不计重照片和病人不合作引起质量差的照片。患者不分男女,按患者年龄和胸部前后径体厚值分四组。每组普通X线床边照片和数字化(CR)床边照片的例数相同,使用同样产地和型号的X线机,选择X线曝光条件相同。第一组15例,第二组25例,第三组25例,第四组35例。照片质量按优片、良片、合格片和废片分四等级。结果(1)普通X线床边照片优片2张,占2%;良片18张,占18%;合格片61张,占61%;废片9张,占9%。数字化(CR)床边照片优片48张,占48%;良片50张,占50%;合格片2张,占2%;废片0张。结论CR床边照片比普通X线床边照片的影像质量高,优良片多,无废片,对于危急重症而不能搬动的患者(如昏迷、脑管意外、脑外伤、严重颈椎骨折等)和非典、禽流感等传染病患者的诊断和治疗具有重要的临床价值和意义。
简介:摘要目的对基于深度学习的ResNet50-OC模型彩色眼底照片质量多分类的效果进行评估。方法纳入2018年7月在南京医科大学附属明基医院收集的彩色眼底照片PD数据集及EyePACS数据集,临床医师根据眼底图像的成像质量将其大致分为质量较好、曝光不足、曝光过度、边缘模糊和镜头反光5类。在训练集中,每个类别包含1 000张图像,其中800张选自EyePACS数据集,200张选自PD数据集;在测试集中,每个类别包含500张图像,其中400张选自EyePACS数据集,100张选自PD数据集。训练集总计5 000张图像,测试集总计2 500张图像。对图像进行归一化处理和数据扩增。采用迁移学习方法初始化网络模型的参数,在此基础上对比当前深度学习主流分类网络VGG、Inception-resnet-v2、ResNet和DenseNet,选取准确率和Micro F1值最优的网络ResNet50作为分类模型的主网络。在ResNet50训练过程中引入One-Cycle策略加快模型收敛速度,得到最优模型ResNet50-OC并将其应用于眼底照片质量多分类,评估ResNet50与ResNet50-OC对眼底照片进行多分类的准确率和Micro F1值。结果ResNet50对彩色眼底照片质量多分类准确率和Micro F1值明显高于VGG、Inception-resnet-v2、ResNet34和DenseNet。ResNet50-OC模型训练15轮对眼底图像质量多分类准确率为98.77%,高于ResNet50训练50轮的98.76%;ResNet50-OC模型训练15轮对眼底图像质量多分类的Micro F1值为98.78%,与ResNet50训练50轮的Micro F1值相同。结论ResNet50-OC模型可以准确、有效地对彩色眼底照片质量进行多分类,One-Cycle策略可减少训练次数,提高分类效率。