期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
人工智能知识图谱和图像分类用于胸部后前位X线片质量控制
1
作者
王倩
宋亮亮
+8 位作者
韩啸
刘明
张标
赵士博
谷宗运
黄莉莉
李传富
李小虎
余永强
《中国医学影像技术》
CSCD
北大核心
2024年第6期922-927,共6页
目的观察人工智能(AI)知识图谱和图像分类对胸部后前位X线片(简称胸片)质量控制(QC)的价值。方法回顾性分析安徽省影像云平台中595家医疗机构共9236幅胸片,构建包含21个分类标签的QC知识图谱。先由10名技师据此对胸片进行2轮单人QC和1...
目的观察人工智能(AI)知识图谱和图像分类对胸部后前位X线片(简称胸片)质量控制(QC)的价值。方法回顾性分析安徽省影像云平台中595家医疗机构共9236幅胸片,构建包含21个分类标签的QC知识图谱。先由10名技师据此对胸片进行2轮单人QC和1轮多人QC,分别将结果记为A、B、C;再以AI算法进行分类评估,将结果记为D。最后由1名QC专家对C、D进行审核并确定最终QC结果,以之为参考评估上述4种QC效果。结果AI算法用于胸片QC的曲线下面积(AUC)均≥0.780,平均AUC为0.939。A、B、C、D胸片QC的平均精确率分别为81.15%、85.47%、91.65%、92.21%。结论AI知识图谱和图像分类技术可有效用于胸部后前位X线片QC。
展开更多
关键词
胸部
人工智能
质量控制
X线
在线阅读
下载PDF
职称材料
基于深度学习的胸部X线图像清晰度评价方法
2
作者
宋亮亮
王倩
+3 位作者
韩啸
李传富
李小虎
余永强
《中国医学影像学杂志》
CSCD
北大核心
2024年第6期616-621,共6页
目的 构建深度学习模型对胸部X线图像进行清晰度评价,并与放射科医师的主观评价对比,验证模型的效能。资料与方法 回顾性收集2015年6月—2022年8月安徽省590家医院共9 135幅胸部X线图像,组织放射科医师采用五级评分法对图像清晰度进行...
目的 构建深度学习模型对胸部X线图像进行清晰度评价,并与放射科医师的主观评价对比,验证模型的效能。资料与方法 回顾性收集2015年6月—2022年8月安徽省590家医院共9 135幅胸部X线图像,组织放射科医师采用五级评分法对图像清晰度进行多人多次评价,单人评价结果为A、B,多人评价结果为C。构建基于ResNet-50的深度学习模型对胸部X线图像进行清晰度评价,以结果 C作为模型训练和测试数据,模型评价结果为D。由1名放射质控专家对模型评价结果和医师多人评价结果进行审核评价作为图像清晰度的参考标准,评价结果为E。采用Spearman相关、均方根误差(RMSE)和准确率验证模型的效能。结果 与参考标准E相比,D的平均准确率为0.85,高于C的0.84。A、B、C、D与E的ρ分别为0.58(0.54,0.62)、0.59(0.55,0.63)、0.74(0.71,0.77)和0.80(0.78,0.82),D与E的相关性最好。A与B的ρ为0.45(0.41,0.49),两次单人主观评价清晰度相关性较差。A、B、C、D与E的RMSE分别为0.99、0.94、0.72和0.71,D与E的RMSE小于人工评价结果。结论 本研究构建的模型能够准确评价胸部X线图像清晰度,通过深度学习方法可以降低人工评价的主观干扰,为临床放射图像清晰度评价提供有效、客观的工具。
展开更多
关键词
深度学习
质量控制
放射摄影术
胸部
决策
计算机辅助
在线阅读
下载PDF
职称材料
题名
人工智能知识图谱和图像分类用于胸部后前位X线片质量控制
1
作者
王倩
宋亮亮
韩啸
刘明
张标
赵士博
谷宗运
黄莉莉
李传富
李小虎
余永强
机构
安徽
医科大学第一附属医院放射科
安徽
中医药大学医药信息工程学院
安徽
大学计算机科学与技术学院
合肥综合性国家科学
中心
人工智能实验室
安徽省影像诊断质控中心
出处
《中国医学影像技术》
CSCD
北大核心
2024年第6期922-927,共6页
基金
安徽高校协同创新项目(GXXT-2022-031)。
文摘
目的观察人工智能(AI)知识图谱和图像分类对胸部后前位X线片(简称胸片)质量控制(QC)的价值。方法回顾性分析安徽省影像云平台中595家医疗机构共9236幅胸片,构建包含21个分类标签的QC知识图谱。先由10名技师据此对胸片进行2轮单人QC和1轮多人QC,分别将结果记为A、B、C;再以AI算法进行分类评估,将结果记为D。最后由1名QC专家对C、D进行审核并确定最终QC结果,以之为参考评估上述4种QC效果。结果AI算法用于胸片QC的曲线下面积(AUC)均≥0.780,平均AUC为0.939。A、B、C、D胸片QC的平均精确率分别为81.15%、85.47%、91.65%、92.21%。结论AI知识图谱和图像分类技术可有效用于胸部后前位X线片QC。
关键词
胸部
人工智能
质量控制
X线
Keywords
thorax
artificial intelligence
quality control
X-rays
分类号
R56 [医药卫生—呼吸系统]
R814.3 [医药卫生—影像医学与核医学]
在线阅读
下载PDF
职称材料
题名
基于深度学习的胸部X线图像清晰度评价方法
2
作者
宋亮亮
王倩
韩啸
李传富
李小虎
余永强
机构
安徽
医科大学第一附属医院
影像
科
安徽
影联云享医疗科技有限公司
合肥综合性国家科学
中心
先进研究院(
安徽省
人工智能实验室)
安徽
中医药大学第一附属医院
影像
科
安徽省影像诊断质控中心
出处
《中国医学影像学杂志》
CSCD
北大核心
2024年第6期616-621,共6页
基金
安徽高校协同创新项目(GXXT-2021-065)。
文摘
目的 构建深度学习模型对胸部X线图像进行清晰度评价,并与放射科医师的主观评价对比,验证模型的效能。资料与方法 回顾性收集2015年6月—2022年8月安徽省590家医院共9 135幅胸部X线图像,组织放射科医师采用五级评分法对图像清晰度进行多人多次评价,单人评价结果为A、B,多人评价结果为C。构建基于ResNet-50的深度学习模型对胸部X线图像进行清晰度评价,以结果 C作为模型训练和测试数据,模型评价结果为D。由1名放射质控专家对模型评价结果和医师多人评价结果进行审核评价作为图像清晰度的参考标准,评价结果为E。采用Spearman相关、均方根误差(RMSE)和准确率验证模型的效能。结果 与参考标准E相比,D的平均准确率为0.85,高于C的0.84。A、B、C、D与E的ρ分别为0.58(0.54,0.62)、0.59(0.55,0.63)、0.74(0.71,0.77)和0.80(0.78,0.82),D与E的相关性最好。A与B的ρ为0.45(0.41,0.49),两次单人主观评价清晰度相关性较差。A、B、C、D与E的RMSE分别为0.99、0.94、0.72和0.71,D与E的RMSE小于人工评价结果。结论 本研究构建的模型能够准确评价胸部X线图像清晰度,通过深度学习方法可以降低人工评价的主观干扰,为临床放射图像清晰度评价提供有效、客观的工具。
关键词
深度学习
质量控制
放射摄影术
胸部
决策
计算机辅助
Keywords
Deep learning
Quality control
Radiography,thoracic
Decision making,computer-assisted
分类号
R445.4 [医药卫生—影像医学与核医学]
R816.41 [医药卫生—放射医学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
人工智能知识图谱和图像分类用于胸部后前位X线片质量控制
王倩
宋亮亮
韩啸
刘明
张标
赵士博
谷宗运
黄莉莉
李传富
李小虎
余永强
《中国医学影像技术》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
基于深度学习的胸部X线图像清晰度评价方法
宋亮亮
王倩
韩啸
李传富
李小虎
余永强
《中国医学影像学杂志》
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
